دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
دسته بندی: احتمال ویرایش: 1 نویسندگان: Dipak K. Dey, Sujit K. Ghosh, Bani K. Mallick سری: Chapman & Hall/CRC Biostatistics Series ISBN (شابک) : 0824790340, 9780585389691 ناشر: CRC Press سال نشر: 2000 تعداد صفحات: 442 زبان: English فرمت فایل : DJVU (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 6 مگابایت
در صورت تبدیل فایل کتاب Generalized linear models - a Bayesian perspective 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 مدلهای خطی تعمیم یافته - دیدگاه بیزی 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.
نحوه مفهومسازی، اجرا و نقد مدلهای خطی تعمیمیافته سنتی (GLMs) را از دیدگاه بیزی و نحوه استفاده از روشهای محاسباتی مدرن برای خلاصه کردن استنتاجها با استفاده از شبیهسازی، پوشش اثرات تصادفی در مدلهای مختلط خطی تعمیمیافته (GLMM) با مثالهای توضیحداده شده شرح میدهد. رویکردهای پارامتریک و نیمه پارامتریک را برای GLM های بیش از حد پراکنده در نظر می گیرد، GLM های بیزی را برای داده های مرگ و میر ایالات متحده اعمال می کند، و روش هایی برای تجزیه و تحلیل داده های باینری همبسته با استفاده از متغیرهای پنهان ارائه می دهد. مدلسازی پاسخ آیتم را برای دادههای طبقهبندی توصیف و تحلیل میکند، و روشهای انتخاب متغیر را با استفاده از نمونهگر گیبس برای مدلهای کاکس ارائه میکند. دی استاد و رئیس بخش آمار دانشگاه کانکتیکات استورز است
Describes how to conceptualize, perform, and critique traditional generalized linear models (GLMs) from a Bayesian perspective and how to use modern computational methods to summarize inferences using simulation, covering random effects in generalized linear mixed models (GLMMs) with explained examples. Considers parametric and semiparametric approaches to overdispersed GLMs, applies Bayesian GLMs to US mortality data, and presents methods of analyzing correlated binary data using latent variables. Describes and analyzes item response modeling for categorical data, and provides variable selection methods using the Gibbs sampler for Cox models. Dey is professor and head of the department of statistics at the University of Connecticut-Storrs