ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Directly parameterized regression conditioning on being alive: analysis of longitudinal data truncated by deaths

دانلود کتاب به طور مستقیم شرط تنظیم رگرسیون در زنده بودن: تجزیه و تحلیل داده های طولی کوتاه شده توسط مرگ و میر

Directly parameterized regression conditioning on being alive: analysis of longitudinal data truncated by deaths

مشخصات کتاب

Directly parameterized regression conditioning on being alive: analysis of longitudinal data truncated by deaths

دسته بندی: سازمان و پردازش داده ها
ویرایش:  
نویسندگان: ,   
سری:  
 
ناشر:  
سال نشر: 2005 
تعداد صفحات: 18 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 183 کیلوبایت 

قیمت کتاب (تومان) : 32,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 4


در صورت تبدیل فایل کتاب Directly parameterized regression conditioning on being alive: analysis of longitudinal data truncated by deaths 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 به طور مستقیم شرط تنظیم رگرسیون در زنده بودن: تجزیه و تحلیل داده های طولی کوتاه شده توسط مرگ و میر 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 به طور مستقیم شرط تنظیم رگرسیون در زنده بودن: تجزیه و تحلیل داده های طولی کوتاه شده توسط مرگ و میر

برای مطالعات طولی مشاهده ای جمعیت های سالمندان، نتایجی مانند ناتوانی یا عملکرد شناختی اغلب با مرگ سانسور می شوند. تجزیه و تحلیل آماری چنین داده هایی ممکن است به صراحت به وضعیت حیاتی یا زمان بقا در هنگام خلاصه کردن پاسخ طولی مشروط شود. به عنوان مثال، یک مدل مخلوط الگو، میانگین پاسخ را در زمان t مشروط به مرگ در زمان S = s (برای s > t) مشخص می کند، و بنابراین از وضعیت آینده به عنوان پیش بینی کننده برای پاسخ زمان t استفاده می کند. به عنوان یک جایگزین، ما شرطی شدن رگرسیون در زنده بودن را به عنوان یک مدل رگرسیونی تعریف می کنیم که به جای زمان بقای خاص، وضعیت بقا را شرط می کند. این مدل‌ها را می‌توان تا حدی مشروط نامید زیرا میانگین در زمان t مشروط به زنده بودن (S > t)، به جای استفاده از طبقه‌بندی دقیق‌تر (S = s برای s > t) مشخص می‌شود. ما نشان می‌دهیم که استفاده ساده‌لوحانه از روش‌های طولی مبتنی بر احتمال استاندارد و معادلات تخمین تعمیم‌یافته با وزن‌های غیر مستقل ممکن است منجر به تخمین مغرضانه مدل میانگین جزئی شرطی شود. ما یک طبقه‌بندی برای سازگاری با ترک تحصیل و مرگ ایجاد می‌کنیم، و تخمین داده‌های طولی باینری را توصیف می‌کنیم که وزن‌های انتخاب را برای تخمین معادلات با همبستگی کاری مستقل اعمال می‌کند. مطالعات شبیه‌سازی و تجزیه و تحلیل وضعیت ناتوانی ماهانه، سوگیری بالقوه را در روش‌های رگرسیون نشان می‌دهد که به صراحت شرط بقا ندارند.


توضیحاتی درمورد کتاب به خارجی

For observational longitudinal studies of geriatric populations, outcomes such as disability or cognitive functioning are often censored by death. Statistical analysis of such data may explicitly condition on either vital status or survival time when summarizing the longitudinal response. For example a patternmixture model characterizes the mean response at time t conditional on death at time S = s (for s > t), and thus uses future status as a predictor for the time t response. As an alternative, we define regression conditioning on being alive as a regression model that conditions on survival status, rather than a specific survival time. Such models may be referred to as partly conditional since the mean at time t is specified conditional on being alive (S > t), rather than using finer stratification (S = s for s > t). We show that naive use of standard likelihood-based longitudinal methods and generalized estimating equations with non-independence weights may lead to biased estimation of the partly conditional mean model. We develop a taxonomy for accommodation of both dropout and death, and describe estimation for binary longitudinal data that applies selection weights to estimating equations with independence working correlation. Simulation studies and an analysis of monthly disability status illustrate potential bias in regression methods that do not explicitly condition on survival.





نظرات کاربران