مشخصات کتاب

Chi-squared goodness-of-fit tests for censored data

ویرایش:  
نویسندگان: Chimitova. Ekaterina V.,  Nikulin. Mikhail Stepanovich  
سری: Stochastic models in survival analysis and reliability set volume 3; Mathematics and statistics series (ISTE) 
ISBN (شابک) : 9781786300003, 9781119427605 
ناشر: ISTE 
سال نشر: 2017 
تعداد صفحات: 153 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 2 مگابایت 

کلمات کلیدی مربوط به کتاب تست های مجذور کای برای داده های سانسور شده: تست مجذور کای، تست های برازش مناسب

در صورت تبدیل فایل کتاب Chi-squared goodness-of-fit tests for censored data به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب تست های مجذور کای برای داده های سانسور شده نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.

توضیحاتی در مورد کتاب تست های مجذور کای برای داده های سانسور شده

این کتاب به مشکلات ساخت و استفاده از آزمون‌های مجذور کای برای داده‌های کامل و سانسور شده اختصاص دارد. آزمون‌های کای دو کلاسیک فرض می‌کنند که پارامترهای توزیع ناشناخته با استفاده از داده‌های گروه‌بندی شده تخمین زده می‌شوند، اما در عمل این فرض اغلب فراموش می‌شود. در این کتاب تست های مجذور کای اصلاح شده را در نظر می گیریم که از چنین ایرادی رنج نمی برند. نویسندگان نمونه‌هایی از آزمون‌های مجذور کای را برای توزیع‌های مختلف ارائه می‌کنند که به طور گسترده در عمل مورد استفاده قرار می‌گیرند، و همچنین آزمون‌های مجذور کای را برای مدل خطرات متناسب پارامتری و مدل زمان شکست تسریع شده در نظر می‌گیرند که به طور گسترده در تجزیه و تحلیل قابلیت اطمینان و بقا استفاده می‌شوند. توجه ویژه ای به انتخاب فواصل گروه بندی و شبیه سازی می شود. این کتاب نوآوری های اخیر در این زمینه و همچنین نتایج مهمی را که قبلاً فقط به زبان روسی منتشر شده بود، پوشش می دهد. آزمون‌های مجذور کای با سایر آزمون‌های تناسب (مانند آزمون‌های کرامر-فون میزس-اسمیرنوف، اندرسون-دارلینگ و ژانگ) از نظر قدرت هنگام آزمایش فرضیه‌های رقیب نزدیک مقایسه می‌شوند.

توضیحاتی درمورد کتاب به خارجی

This book is devoted to the problems of construction and application of chi-squared goodness-of-fit tests for complete and censored data. Classical chi-squared tests assume that unknown distribution parameters are estimated using grouped data, but in practice this assumption is often forgotten. In this book, we consider modified chi-squared tests, which do not suffer from such a drawback. The authors provide examples of chi-squared tests for various distributions widely used in practice, and also consider chi-squared tests for the parametric proportional hazards model and accelerated failure time model, which are widely used in reliability and survival analysis. Particular attention is paid to the choice of grouping intervals and simulations. This book covers recent innovations in the field as well as important results previously only published in Russian. Chi-squared tests are compared with other goodness-of-fit tests (such as the Cramer-von Mises-Smirnov, Anderson-Darling and Zhang tests) in terms of power when testing close competing hypotheses.

فهرست مطالب

Content: 1.1.  ML Estimators for right censored data. Asymptotic properties of ML estimators 1.2.   Chi-squared goodness-of fit tests for a right-censored sample 1.3.  Regularity Hjort   s conditions 2.1 Chi-squared tests for specified families: exponential, shape-scale, Weibull, logistic, lognormal, Gompertz families of distributions. 2.2. Chi-squared test for the family of distributions with hyperbolic hazard functions 2.3. Chi-squared goodness of fit-tests for the parametric accelerated failure time model 2.4. Chi-squared goodness of fit-tests for the parametric PH model

نظرات کاربران

کتاب های تصادفی

دانلود کتاب Archaeologies of Memory

دانلود کتاب Glamour Magic: The Witchcraft Revolution to Get What You Want

دانلود کتاب Syria (Modern World Nations)

دانلود کتاب Around and Beyond the Square of Opposition

دانلود کتاب Machine Learning with R Quick Start Guide: A beginner's guide to implementing machine learning techniques from scratch using R 3.5