دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Fundamentals of Causal Inference with R
دانلود کتاب مبانی استنتاج علی با R
مشخصات کتاب
Fundamentals of Causal Inference with R
ویرایش: [1 ed.]
نویسندگان: Babette A. Brumback
سری: Chapman & Hall/CRC Texts in Statistical Science
ISBN (شابک) : 0367705052, 9780367705053
ناشر: Chapman and Hall/CRC
سال نشر: 2021
تعداد صفحات: 236
[249]
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 8 Mb
قیمت کتاب (تومان) : 53,000
در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد
در صورت تبدیل فایل کتاب Fundamentals of Causal Inference with R 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 مبانی استنتاج علی با R 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 مبانی استنتاج علی با R
یکی از انگیزه‌های اولیه برای آزمایش‌های بالینی و مطالعات مشاهده‌ای بر روی انسان، استنتاج علت و معلول است. تفکیک علت از مخدوش کننده از اهمیت بالایی برخوردار است. مبانی استنتاج علّی روش‌های مختلف تعدیل مخدوش‌کننده را از نظر نتایج بالقوه و مدل‌های گرافیکی، از جمله استانداردسازی، تخمین تفاوت در تفاوت‌ها، روش درب جلو، تخمین متغیرهای ابزاری، و تمایل را توضیح می‌دهد و به آنها مربوط می‌کند. روش های امتیاز دهی همچنین اصلاح اندازه‌گیری اثر، متغیرهای دقیق، تحلیل‌های میانجی‌گری و مخدوش‌سازی وابسته به زمان را پوشش می‌دهد. چندین نمونه داده واقعی، مطالعات شبیه‌سازی و تجزیه و تحلیل با استفاده از R انگیزه روش‌ها را در سراسر ایجاد می‌کنند. این کتاب با فرض آشنایی با آمار و احتمالات پایه، رگرسیون و R می باشد و برای دانشجویان ارشد یا فارغ التحصیل در آمار، آمار زیستی و علوم داده و همچنین دانشجویان دکترا در طیف گسترده ای از رشته های دیگر، از جمله اپیدمیولوژی، داروسازی، بهداشت مناسب است. علوم، آموزش و پرورش و علوم اجتماعی، اقتصادی و رفتاری. با شروع یک تاریخچه مختصر و بررسی عناصر ضروری احتمال و آمار، ویژگی منحصر به فرد کتاب تمرکز آن بر مجموعه داده های واقعی و شبیه سازی شده با همه متغیرهای باینری است تا روش های پیچیده را به اصول خود کاهش دهد. حساب دیفرانسیل و انتگرال مورد نیاز نیست، اما تمایل به پرداختن به نمادهای ریاضی، مفاهیم دشوار و استدلال های منطقی پیچیده ضروری است. در حالی که بسیاری از نمونه‌های داده واقعی گنجانده شده‌اند، این کتاب همچنین دارای مطالعه Double What-If است که بر اساس داده‌های شبیه‌سازی شده با مکانیسم‌های علّی شناخته شده است، با این اعتقاد که روش‌ها در شرایطی که موفق یا شکست می‌خورند به بهترین وجه قابل درک هستند. مجموعه داده‌ها، کد R و راه‌حل‌های تمرین‌های اعداد فرد در www.routledge.com موجود است.
توضیحاتی درمورد کتاب به خارجی
One of the primary motivations for clinical trials and observational studies of humans is to infer cause and effect. Disentangling causation from confounding is of utmost importance. Fundamentals of Causal Inference explains and relates different methods of confounding adjustment in terms of potential outcomes and graphical models, including standardization, difference-in-differences estimation, the front-door method, instrumental variables estimation, and propensity score methods. It also covers effect-measure modification, precision variables, mediation analyses, and time-dependent confounding. Several real data examples, simulation studies, and analyses using R motivate the methods throughout. The book assumes familiarity with basic statistics and probability, regression, and R and is suitable for seniors or graduate students in statistics, biostatistics, and data science as well as PhD students in a wide variety of other disciplines, including epidemiology, pharmacy, the health sciences, education, and the social, economic, and behavioral sciences. Beginning with a brief history and a review of essential elements of probability and statistics, a unique feature of the book is its focus on real and simulated datasets with all binary variables to reduce complex methods down to their fundamentals. Calculus is not required, but a willingness to tackle mathematical notation, difficult concepts, and intricate logical arguments is essential. While many real data examples are included, the book also features the Double What-If Study, based on simulated data with known causal mechanisms, in the belief that the methods are best understood in circumstances where they are known to either succeed or fail. Datasets, R code, and solutions to odd-numbered exercises are available at www.routledge.com.
