دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Data Analysis: A Model Comparison Approach, Second Edition
دانلود کتاب تجزیه و تحلیل داده ها: رویکرد مقایسه مدل ، چاپ دوم
مشخصات کتاب
Data Analysis: A Model Comparison Approach, Second Edition
ویرایش: 2 نویسندگان: Charles M. Judd, Gary H. McClelland, Carey S. Ryan سری: ISBN (شابک) : 0805833889, 9780805833881 ناشر: Routledge سال نشر: 2008 تعداد صفحات: 329 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 3 مگابایت
قیمت کتاب (تومان) : 29,000
کلمات کلیدی مربوط به کتاب تجزیه و تحلیل داده ها: رویکرد مقایسه مدل ، چاپ دوم: روانشناسی و مشاوره،روانشناسی نوجوان،روانشناسی کاربردی،روانشناسی کودک،مشاوره،خلاقیت و نبوغ،روانشناسی رشد،روانشناسی تجربی،روانشناسی قانونی،تاریخ،پزشکی و روانشناسی،روانشناسی روانشناسی،روانشناسی روانشناسی،روانشناسی روانشناسی روانپزشکی، روانکاوی، داروسازی روانی، روان درمانی، TA و NLP، مرجع، پژوهش، روابط جنسی، روانشناسی اجتماعی و تعاملات، تست و اندازه گیری، سلامت، تناسب اندام و رژیم غذایی، روابط عمومی
در صورت تبدیل فایل کتاب Data Analysis: A Model Comparison Approach, Second Edition 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 تجزیه و تحلیل داده ها: رویکرد مقایسه مدل ، چاپ دوم 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 تجزیه و تحلیل داده ها: رویکرد مقایسه مدل ، چاپ دوم
این متن کلاسیک کاملاً بازنویسی شده دارای مثال‌ها، بینش‌ها و موضوعات جدید بسیاری از جمله مدل‌های میانجی، طبقه‌بندی و چند سطحی است. این نسخه با سازماندهی مجدد، بررسی مختصرتر و کارآمدتری از تجزیه و تحلیل داده ها را ارائه می دهد. این کتاب به دلیل رویکرد مقایسه مدل و چارچوب یکپارچه مبتنی بر مدل خطی کلی، درک بیشتری از انواع روش‌های آماری را در اختیار خوانندگان قرار می‌دهد. این چارچوب سازگار، از جمله واژگان و نمادهای ثابت، برای توسعه تکنیک های مدل سازی کمتر اما قدرتمندتر استفاده می شود. نویسندگان نشان می‌دهند که چگونه می‌توان تمام تحلیل واریانس و رگرسیون چندگانه را در این چارچوب انجام داد. رویکرد مقایسه مدل چندین مزیت دارد:
- درک بصری مطالب را تقویت می‌کند و در نتیجه توانایی تجزیه و تحلیل موفقیت‌آمیز داده‌ها را در آینده افزایش می‌دهد
- کنترل بیشتری را در تجزیه و تحلیل داده ها به طوری که خوانندگان می توانند تکنیک ها را در طیف وسیع تری از سوالات به کار ببرند
- تعداد تکنیک های آماری را که باید به خاطر بسپارند کاهش می دهد
- به خوانندگان می آموزد که چگونه تحلیلگر داده شوند. به جای آماردانان.
کتاب با مروری بر تجزیه و تحلیل داده ها باز می شود. تمام مفاهیم لازم برای استنتاج آماری مورد استفاده در سراسر کتاب در فصل های 2 تا 4 معرفی شده است. بقیه کتاب بر اساس این مدل ها است. فصل 5 تا 7 بر تجزیه و تحلیل رگرسیون تمرکز دارد، سپس تجزیه و تحلیل واریانس (ANOVA)، تحلیل های میانجی، خطاهای غیر مستقل یا همبسته، از جمله مدل سازی چند سطحی، و موارد پرت و نقض خطا. این کتاب به دلیل بررسی دقیق ANOVA، رگرسیون چندگانه، مشاهدات غیر مستقل، مدل‌های تعاملی و غیرخطی داده‌ها، و راهنمایی‌های آن برای درمان موارد پرت و سایر جنبه‌های مشکل‌ساز تحلیل داده‌ها مورد قدردانی قرار گرفته است.
برای پیشرفته‌تر در نظر گرفته شده است. دوره های کارشناسی یا کارشناسی ارشد در مورد تجزیه و تحلیل داده ها، آمار و/یا روش های کمی که در روانشناسی، آموزش، یا سایر بخش های علوم رفتاری و اجتماعی تدریس می شوند، این کتاب همچنین برای محققانی که داده ها را تجزیه و تحلیل می کنند جذاب است. یک وبسایت محافظت‌شده که شامل مثال‌ها و مشکلات اضافی در مجموعه داده‌ها، یادداشت‌های سخنرانی، ارائه‌های پاورپوینت و سؤالات امتحانی کلاسی است برای پذیرندگان در دسترس است. این ماده از SAS استفاده می کند اما به راحتی می تواند با برنامه های دیگر سازگار شود. دانش کاری جبر پایه و هر برنامه رگرسیون چندگانه فرض شده است.
توضیحاتی درمورد کتاب به خارجی
This completely rewritten classic text features many new examples, insights and topics including mediational, categorical, and multilevel models. Substantially reorganized, this edition provides a briefer, more streamlined examination of data analysis. Noted for its model-comparison approach and unified framework based on the general linear model, the book provides readers with a greater understanding of a variety of statistical procedures. This consistent framework, including consistent vocabulary and notation, is used throughout to develop fewer but more powerful model building techniques. The authors show how all analysis of variance and multiple regression can be accomplished within this framework. The model-comparison approach provides several benefits:
- It strengthens the intuitive understanding of the material thereby increasing the ability to successfully analyze data in the future
- It provides more control in the analysis of data so that readers can apply the techniques to a broader spectrum of questions
- It reduces the number of statistical techniques that must be memorized
- It teaches readers how to become data analysts instead of statisticians.
The book opens with an overview of data analysis. All the necessary concepts for statistical inference used throughout the book are introduced in Chapters 2 through 4. The remainder of the book builds on these models. Chapters 5 - 7 focus on regression analysis, followed by analysis of variance (ANOVA), mediational analyses, non-independent or correlated errors, including multilevel modeling, and outliers and error violations. The book is appreciated by all for its detailed treatment of ANOVA, multiple regression, nonindependent observations, interactive and nonlinear models of data, and its guidance for treating outliers and other problematic aspects of data analysis.
Intended for advanced undergraduate or graduate courses on data analysis, statistics, and/or quantitative methods taught in psychology, education, or other behavioral and social science departments, this book also appeals to researchers who analyze data. A protected website featuring additional examples and problems with data sets, lecture notes, PowerPoint presentations, and class-tested exam questions is available to adopters. This material uses SAS but can easily be adapted to other programs. A working knowledge of basic algebra and any multiple regression program is assumed.
