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 Generalized Linear Models

دانلود کتاب مدل های خطی تعمیم یافته

Generalized Linear Models

مشخصات کتاب

Generalized Linear Models

ویرایش: 2 
نویسندگان: ,   
سری: Chapman & Hall/CRC Monographs on Statistics & Applied Probability 
ISBN (شابک) : 0412317605, 9780412317606 
ناشر: Chapman and Hall/CRC 
سال نشر: 1989 
تعداد صفحات: 526 
زبان: English 
فرمت فایل : DJVU (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 7 مگابایت

قیمت کتاب (تومان) : 42,000



کلمات کلیدی مربوط به کتاب مدل های خطی تعمیم یافته: برنامه نویسی خطی، کاربردی، ریاضیات، علوم و ریاضی، احتمال و آمار، کاربردی، ریاضیات، علوم و ریاضی، آمار، ریاضیات، علوم و ریاضیات، کتاب های درسی جدید، مستعمل و اجاره ای، بوتیک تخصصی



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 20


در صورت تبدیل فایل کتاب Generalized Linear Models 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 مدل های خطی تعمیم یافته 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 مدل های خطی تعمیم یافته

موفقیت نسخه اول مدل های خطی تعمیم یافته منجر به به روز رسانی ویرایش دوم شد، که همچنان به ارائه یک درمان قطعی و یکپارچه از روش ها برای تجزیه و تحلیل انواع مختلف داده ها ادامه می دهد. امروزه، به دلیل وضوح، غنای محتوا و ارتباط مستقیم با کاربردهای کشاورزی، بیولوژیکی، بهداشتی، مهندسی و سایر کاربردها محبوب باقی مانده است.

نویسندگان بر بررسی روشی که یک متغیر پاسخ به ترکیبی از توضیحی بستگی دارد تمرکز می کنند. متغیرها، درمان و متغیرهای طبقه بندی. آنها تاکید خاصی بر مورد مهمی دارند که در آن وابستگی از طریق ترکیب خطی و ناشناخته متغیرهای توضیحی رخ می دهد.

نسخه دوم شامل موضوعاتی است که به هسته نسخه اول اضافه شده است. از جمله روش‌های احتمال شرطی و حاشیه‌ای، معادلات تخمینی و مدل‌هایی برای اثرات پراکندگی و اجزای پراکندگی. بحث در مورد سایر موضوعات - مدل‌های لاگ خطی و مرتبط، مدل‌های رگرسیون نسبت شانس، مدل‌های پاسخ چندجمله‌ای، مدل‌های خطی معکوس و مرتبط، توابع شبه احتمال، و بررسی مدل‌ها گسترش یافت و بازنگری‌های قابل‌توجهی را به همراه داشت.
BR> درک مطالب صرفاً به دانش نظریه ماتریس و ایده های اساسی نظریه احتمال نیاز دارد، اما در بیشتر موارد، کتاب مستقل است. بنابراین، مدل‌های خطی تعمیم‌یافته با نمونه‌های کار شده، تمرین‌های فراوان و موضوعاتی که مستقیماً برای محققان بسیاری از رشته‌ها استفاده می‌شود، به عنوان متن ایده‌آل، راهنمای خودآموزی و مرجع عمل می‌کند.


توضیحاتی درمورد کتاب به خارجی

The success of the first edition of Generalized Linear Models led to the updated Second Edition, which continues to provide a definitive unified, treatment of methods for the analysis of diverse types of data. Today, it remains popular for its clarity, richness of content and direct relevance to agricultural, biological, health, engineering, and other applications.

The authors focus on examining the way a response variable depends on a combination of explanatory variables, treatment, and classification variables. They give particular emphasis to the important case where the dependence occurs through some unknown, linear combination of the explanatory variables.

The Second Edition includes topics added to the core of the first edition, including conditional and marginal likelihood methods, estimating equations, and models for dispersion effects and components of dispersion. The discussion of other topics-log-linear and related models, log odds-ratio regression models, multinomial response models, inverse linear and related models, quasi-likelihood functions, and model checking-was expanded and incorporates significant revisions.

Comprehension of the material requires simply a knowledge of matrix theory and the basic ideas of probability theory, but for the most part, the book is self-contained. Therefore, with its worked examples, plentiful exercises, and topics of direct use to researchers in many disciplines, Generalized Linear Models serves as ideal text, self-study guide, and reference.



فهرست مطالب

Contents ... 3
Preface to the first edition ... 12
Preface ... 14
CHAPTER  1 Introduction ... 16
	1.1 Background ... 16
		1.1.1 The problem of looking at data ... 18
		1.1.2 Theory as pattern ... 19
		1.1.3 Model fitting ... 20
		1.1.4 What is a good model? ... 22
	1.2 The origins of generalized linear models ... 23
		1.2.1 Terminology ... 23
		1.2.2 Classical linear models ... 24
		1.2.3 R.A. Fisher and the design of experiments ... 25
		1.2.4 Dilution assay ... 26
		1.2.5 Probit analysis ... 28
		1.2.6 Log it models for proportions ... 29
		1.2.7 Log-linear models for counts ... 29
		1.2.8 Inverse polynomials ... 31
		1.2.9 Survival data ... 31
	1.3 Scope of the rest of the book ... 32
	1.4 Bibliographic notes ... 34
	1.5 Further results and exercises  1 ... 34
CHAPTER  2 An outline of generalized linear models ... 36
	2.1 Processes in model fitting ... 36
		2.1.1 Model selection ... 36
		2.1.2 Estimation ... 38
		2.1.3 Prediction ... 40
	2.2 The components of a generalized linear model ... 41
		2.2.1 The generalization ... 42
		2.2.3 Link functions ... 46
		2.2.4 Sufficient statistics and canonical links ... 47
	2.3 Measuring the goodness of fit ... 48
		2.3.1 The discrepancy of a fit ... 48
		2.3.2 The analysis of deviance ... 50
	2.4 Residua ls ... 52
		2.4.1 Pearson residual ... 52
		2.4.2 Anscombe residual ... 53
		2.4.3 Deviance residual ... 54
	2.5 An algorithm for fitting generalized linear models ... 55
		2.5.1 Justification of the fitting procedure ... 56
	2.6 Bibliographic notes ... 58
	2.7 Further results and exercises  2 ... 59
CHAPTER  3 Models for continuous data with constant variance ... 63
	3.1 Introduction ... 63
	3.2 Error structure ... 64
	3.3 Systematic component  (linear predictor) ... 66
		3.3.1 Continuous covariates ... 66
		3.3.2 Qualitative covariates ... 67
		3.3.3 Dummy variates ... 69
		3.3.4 Mixed terms ... 70
	3.4 Model formulae for linear predictors ... 71
		3.4.1 Individual terms ... 71
		3.4.2 The dot operator ... 71
		3.4.3 The  + operator ... 72
		3.4.4 The crossing (*)  and nesting  (/)  operators ... 73
		3.4.5 Operators for the removal of terms ... 74
		3.4.6 Exponential operator ... 75
	3.5 Aliasing   ... 76
		3.5.1 Intrinsic aliasing with factors ... 78
		3.5.2 Aliasing in a two-way cross-classification ... 80
		3.5.3 Extrinsic aliasing ... 83
		3.5.4 Functional relations among covariates ... 84
	3.6 Estimation ... 85
		3.6.1 The maximum-likelihood equations ... 85
		3.6.2 Geometrical interpretation ... 86
		3.6.3 Information ... 87
		3.6.4 A model with two covariates ... 89
		3. 6.5 The information surface ... 92
		3.6.6 Stability ... 93
	3.7 Tables as data ... 94
		3.7.1 Empty cells ... 94
		3.7.2 Fused cells ... 96
	3.8 Algorithms for least squares ... 96
		3.8.1 Methods based on the information matrix ... 97
		3.8.2 Direct decomposition methods ... 100
		3.8.3 Extension to generalized linear models ... 103
	3.9 Selection of covariates ... 104
	3.10 Bibliographic notes ... 108
	3.11 Further results and exercises  3 ... 108
CHAPTER  4 Binary data ... 113
	4.1 Introduction ... 113
		4.1.1 Binary responses ... 113
		4.1.2 Covariate classes ... 114
		4.1.3 Contingency tables ... 115
	4.2 Binomial distribution ... 116
		4.2.1 Genesis ... 116
		4.2.2 Moments and cumulants ... 117
		4.2.3 Normal limit ... 118
		4.2.4  Poisson limit ... 120
		4.2.5 Transformations ... 120
	4.3 Models for binary responses ... 122
		4.3.1 Link Junctions ... 122
		4.3.2 Parameter interpretation ... 125
		4.3.3 Retrospective sampling ... 126
	4.4 Likelihood functions for binary data ... 129
		4.4.l Log likelihood for binomial data ... 129
		4.4.2 Parameter estimation ... 130
		4.4.3 Deviance function ... 133
		4.4.4 Bias and precision of estimates ... 134
		4.4.5 Sparseness ... 135
		4.4.6 Extrapolation ... 137
	4.5 Over-dispersion ... 139
		4.5.1 Genesis ... 139
		4.5.2 Parameter estimation ... 141
	4.6 Example ... 143
		4.6.1 Habitat preferences of lizards ... 143
	4.7 Bibliographic notes ... 150
	4.8 Further results and exercises  4 ... 150
CHAPTER  5 Models for polytomous data ... 164
	5.1  Introduction ... 164
	5.2 Measurement scales ... 165
		5.2.1 General points ... 165
		5.2.2 Models for ordinal scales ... 166
		5.2.3 Models for interval scales ... 170
		5.2.4 Models for nominal scales ... 174
		5.2.5 Nested or hierarchical response scales ... 175
	5.3 The multinomial distribution ... 179
		5.3.1 Genesis ... 179
		5.3.2 Moments and cumulants ... 180
		5.3.3 Generalized inverse matrices ... 183
		5.3.4 Quadratic forms ... 184
		5.3.5 Marginal and conditional distributions ... 185
	5.4 Likelihood functions ... 186
		5.4.1 Log likelihood for multinomial responses ... 186
		5.4.2 Para meter estimation ... 187
		5.4.3 Deviance function ... 189
	5.5 Over-dispersion ... 189
	5.6 Examples ... 190
		5.6.1 A cheese-tasting experiment ... 190
		5.6.2 Pneumoconiosis among coalminers ... 193
	5.7 Bibliographic notes ... 197
	5.8 Further results and exercises  5 ... 199
CHAPTER  6 Log-linear models ... 208
	6.1 Introduction ... 208
	6.2 Likelihood functions ... 209
		6.2.1 Poisson distribution ... 209
		6.2.2 The Poisson log-likelihood function ... 212
		6.2.3 Over-dispersion ... 213
		6.2.4 Asymptotic theory ... 215
	6.3 Examples ... 215
		6.3.1 A biological assay of tuberculins ... 215
		6.3.2 A study of wave damage to cargo ships ... 219
	6.4 Log-linear models and multinomial response models ... 224
		6.4.1 Comparison of two or more Poisson means ... 224
		6.4.2 Multinomial response models ... 226
		6.4.3 Summary ... 228
	6.5 Multiple responses ... 229
		6.5.1 Introduction ... 229
		6.5.2 Independence and conditional independence ... 230
		6.5.3 Canonical correlation models ... 232
		6.5.4 Multivariate regression models ... 234
		6.5.5 Multivariate model formulae ... 237
		6.5.6 Log-linear regression models ... 238
		6.5.7 Likelihood equations ... 240
	6.6 Example ... 244
		6.6.1 Respiratory ailments of coalminers ... 244
		6.6.2 Parameter interpretation ... 248
	6.7 Bibliographic notes ... 250
	6.8 Further results and exercises  6 ... 251
CHAPTER  7 Conditional likelihoods ... 260
	7.1 Introduction ... 260
	7.2 Marginal and conditional likelihoods ... 261
		7.2.1 Marginal likelihood ... 261
		7.2.2 Conditional likelihood ... 263
		7.2.3 Exponential-family models ... 267
		7.2.4 Profile likelihood ... 269
	7.3 Hypergeometric distributions ... 270
		7.3.1 Central hypergeometric distribution ... 270
		7.3.2 Non-central hypergeometric distribution ... 272
		7.3.3 Multivariate hypergeometric distribution ... 275
		7.3.4 Multivariate non-central hypergeometric distribution ... 276
	7.4 Some applications involving binary data ... 277
		7.4.1 Comparison of two binomial probabilities ... 277
		7.4.2 Combination of information fr om several 2x2  tables ... 280
		7.4.3 Example:  flle-et- Vilaine study of oesophageal cancer ... 282
	7.5 Some applications involving polytomous data ... 285
		7.5.1 Matched pairs:  nominal response ... 285
		7.5.2 Ordinal responses ... 288
		7.5.3 Example ... 291
	7.6 Bibliographic notes ... 292
	7.7 Further results and exercises  7 ... 294
CHAPTER  8 Models for data with constant coefficient of variation ... 300
	8.1 Introduction ... 300
	8.2 The gamma distribution ... 302
	8.3 Models with gamma-distributed observations ... 304
		8.3.1 The variance function ... 304
		8.3.2 The deviance ... 305
		8.3.3 The canonical link ... 306
		8.3.4 Multiplicative models:  log link ... 307
		8.3.5 Linear models:  identity link ... 309
		8.3.6 Estimation of the dispersion parameter ... 310
	8.4 Examples ... 311
		8.4.1 Car insurance claims ... 311
		8.4.2 Clotting times of blood ... 315
		8.4.3 Modelling rainfall data using two generalized linear models ... 317
		8.4.4 Developmental rate of Drosophila melanogaster ... 321
	8.5 Bibliographic notes ... 328
	8.6 Further results and exercises  8 ... 329
CHAPTER  9 Quasi-likelihood functions ... 338
	9.1 Introduction ... 338
	9.2 Independent observations ... 339
		9.2.1 Covariance functions ... 339
		9.2.2 Construction of the quasi-likelihood function ... 340
		9.2.3  Parameter estimation ... 342
		9.2.4 Example:  incidence of leaf-blotch on barley ... 343
	9.3 Dependent observations ... 347
		9.3.1 Quasi-likelihood estimating equations ... 347
		9.3.2 Quasi-likelihood function ... 348
		9.3.3 Example:  estimation of probabilities from marginal frequencies ... 351
	9.4 Optimal estimating functions ... 354
		9.4.1 Introduction ... 354
		9.4.2 Combination of estimating functions ... 355
		9.4.3 Example:  estimation for megalithic stone rings ... 358
	9.5 Optimality criteria ... 362
	9.6 Extended quasi-likelihood ... 364
	9.7 Bibliographic notes ... 367
	9.8 Further results and exercises  9 ... 367
CHAPTER  10 Joint modelling of mean and dispersion ... 372
	10.1 Introduction ... 372
	10.2 Model specification ... 373
	10.3 Interaction between mean and dispersion effects ... 374
	10.4 Extended quasi-likelihood as a criterion ... 375
	10.5 Adjustments of the estimating equations ... 376
		10.5.1 Adjustment for kurtosis ... 376
		10.5.2 Adjustment for degrees of freedom ... 377
	10.6 Joint optimum estimating equations ... 379
	10.7  Example:  the production of leaf-springs for trucks ... 380
	10.8 Bibliographic notes ... 385
	1O.9  Further results and exercises  10 ... 386
CHAPTER  11 Models with additional non-linear parameters ... 387
	11.1 Introduction ... 387
	11.2 Parameters in the variance function ... 388
	11.3 Parameters in the link function ... 390
		11.3.1 One link parameter ... 390
		11.3.2 More than one link parameter ... 392
		11.3.3 Transformation of data vs transformation of fitted values ... 393
	11.4 Non-linear parameters in the covariates ... 394
	11.5 Examples ... 396
		11.5.1 The effects of fertilizers on coastal Bermuda grass ... 396
		11.5.2 Assay of an insecticide with a synergist ... 399
		11.5.3 Mixtures of drugs ... 401
	11.6 Bibliographic notes ... 404
	11.7  Further results and exercises  11 ... 404
CHAPTER  12 Model checking ... 406
	12.1 Introduction ... 406
	12.2 Techniques in model checking ... 407
	12.3 Score tests for extra pai- ameters ... 408
	12.4 Smoothing as an aid to informal checks ... 409
	12.5 The raw materials of model checking ... 411
	12.6 Checks for systematic departure from model ... 413
		12.6.1 Informal checks using residuals ... 413
		12.6.2 Checking the variance function ... 415
		12.6.3 Checking the link function ... 416
		12.6.4 Checking the scales of covariates ... 416
		12.6.5 Checks for compound systematic discrepancies ... 418
	12.7 Checks for isolated departures from the model ... 418
		12.7.1 Measure of leverage ... 420
		12.7.2 Measure of consistency ... 421
		12.7.3 Measure of influence ... 421
		12.7.4 Informal assessment of extreme values ... 422
		12.7.5  Extreme points and checks for systematic discrepancies ... 423
	12.8 Examples ... 424
		12.8.1 Damaged carrots in an insecticide experiment ... 424
		12.8.2 Minitab tree data ... 425
		12.8.3 Insurance claims (continued) ... 428
	12.9 A strategy for model checking? ... 429
	12.10 Bibliographic notes ... 430
	12.11 Further results and exercises  12 ... 431
CHAPTER  13 Models for survival data ... 434
	13.1 Introduction ... 434
		13.1.1 Survival functions and hazard functions ... 434
	13.2 Proportional -hazards models ... 436
	13.3 Estimation with a specified survival distribution ... 437
		13.3.1 The exponential distribution ... 438
		13.3.2 The Weibull distribution ... 438
		13.3.3 The extreme-value distribution ... 439
	13.4 Example:  remission times for leukemia ... 440
	13.5 Cox\'s proportional-hazards model ... 441
		13.5.1 Partial likelihood ... 441
		13.5.2 The treatment of ties ... 442
		13.5.3 Numerical methods ... 444
	13.6 Bibliographic notes ... 445
	13.7 Further results and exercises  13 ... 445
CHAPTER  14 Components of dispersion ... 447
	14.1 Introduction ... 447
	14.2 Linear models ... 448
	14.3 Non-linear models ... 449
	14.4 Parameter estimation ... 452
	14.5 Example:  A salamander mating experiment ... 454
		14.5.1 Introduction ... 454
		14.5.2 Experimental procedure ... 456
		14.5.3 A linear logistic model with random effects ... 459
		14.5.4 Estimation of the dispersion parameters ... 463
	14.6 Bibliographic notes ... 465
	14.7 Further results and exercises  14 ... 467
CHAPTER  15 Further topics ... 470
	15.1 Introduction ... 470
	15.2 Bias adjustment ... 470
		15.2.1 Models with canonical link ... 470
		15.2.2 Non-canonical models ... 472
		15.2.3 Example:  Lizard data  (continued) ... 473
	15.3 Computation of Bartlett adjustments ... 474
		15.3.1 General theory ... 474
		15.3.2 Computation of the adjustment ... 475
		15.3.3 Example: exponential regression model ... 478
	15.4 Generalized additive models ... 480
		15.4.1 Algorithms for fitting ... 480
		15.4.2 Smoothing methods ... 481
		15.4.3 Conclusions ... 482
	15.5 Bibliographic notes ... 482
	15.6 Further results and exercises  15 ... 482
APPENDIX A Elementary likelihood theory ... 484
	Scalar parameter ... 484
	Vector parameter ... 487
APPENDIX B Edgeworth series ... 489
APPENDIX C Likelihood-ratio statistics ... 491
References ... 494
Index of data sets ... 515
Author index ... 516
Subject index ... 521




نظرات کاربران

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