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 Estimation of Models in a Rasch Family for Polytomous Items and Multiple Latent Variables + Code

دانلود کتاب تخمین مدل‌ها در خانواده راش برای آیتم‌های چندتومی و متغیرهای پنهان چندگانه + کد

Estimation of Models in a Rasch Family for Polytomous Items and Multiple Latent Variables + Code

مشخصات کتاب

Estimation of Models in a Rasch Family for Polytomous Items and Multiple Latent Variables + Code

دسته بندی: برنامه نویسی: زبان های برنامه نویسی
ویرایش:  
نویسندگان: , ,   
سری:  
 
ناشر:  
سال نشر:  
تعداد صفحات: 0 
زبان: English 
فرمت فایل : RAR (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 434 کیلوبایت

قیمت کتاب (تومان) : 35,000



کلمات کلیدی مربوط به کتاب تخمین مدل‌ها در خانواده راش برای آیتم‌های چندتومی و متغیرهای پنهان چندگانه + کد: کتابخانه، ادبیات کامپیوتر، ر



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 17


در صورت تبدیل فایل کتاب Estimation of Models in a Rasch Family for Polytomous Items and Multiple Latent Variables + Code 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 تخمین مدل‌ها در خانواده راش برای آیتم‌های چندتومی و متغیرهای پنهان چندگانه + کد 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 تخمین مدل‌ها در خانواده راش برای آیتم‌های چندتومی و متغیرهای پنهان چندگانه + کد

خانواده مدل‌های Rasch در نظر گرفته شده در این مقاله شامل مدل‌هایی برای آیتم‌های چندتومی و صفات نهفته همبسته چندگانه، و همچنین برای آیتم‌های دوگانه و یک متغیر نهفته منفرد است. یک بسته R توصیف شده است که تخمین پارامترها و خطاهای استاندارد قوی یک کلاس از مدل‌های log-linear-by-linear Association (LLLA) را محاسبه می‌کند که از خانواده مدل‌های Rasch مشتق شده‌اند. مدل‌های LLLA موارد خاصی از مدل‌های لگ خطی با برهمکنش‌های دو متغیره هستند. تخمین حداکثر احتمال مدل‌های LLLA در این شکل به مشکلات نسبتاً کوچک محدود می‌شود. با این حال، تخمین شبه احتمال بر این محدودیت غلبه می کند. به حداکثر رساندن تابع شبه درستنمایی با به حداکثر رساندن احتمال یک مدل رگرسیون لجستیک چند جمله ای شرطی منفرد به دست می آید. تخمین پارامترها به طور مجانبی نرمال و سازگار هستند. بر اساس مطالعات شبیه‌سازی ما، تخمین‌های شبه احتمال و حداکثر احتمال پارامترهای مدل‌های LLLA تقریباً یکسان هستند و از دست دادن کارایی ناچیز است. بازیابی پارامترهای مدل های Rasch متناسب با داده های شبیه سازی شده بسیار عالی است.


توضیحاتی درمورد کتاب به خارجی

The Rasch family of models considered in this paper includes models for polytomous items and multiple correlated latent traits, as well as for dichotomous items and a single latent variable. An R package is described that computes estimates of parameters and robust standard errors of a class of log-linear-by-linear association (LLLA) models, which are derived from a Rasch family of models. The LLLA models are special cases of log-linear models with bivariate interactions. Maximum likelihood estimation of LLLA models in this form is limited to relatively small problems; however, pseudo-likelihood estimation overcomes this limitation. Maximizing the pseudo-likelihood function is achieved by maximizing the likelihood of a single conditional multinomial logistic regression model. The parameter estimates are asymptotically normal and consistent. Based on our simulation studies, the pseudo-likelihood and maximum likelihood estimates of the parameters of LLLA models are nearly identical and the loss of efficiency is negligible. Recovery of parameters of Rasch models fit to simulated data is excellent.





نظرات کاربران

تمامی حقوق معنوی و مادی وبسایت متعلق به اینترنشنال لایبرری می باشد
نماد اعتماد الکترونیکی