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: برنامه نویسی: زبان های برنامه نویسی ویرایش: Revised نویسندگان: Daniel Mirman سری: Chapman & Hall/CRC The R Series ISBN (شابک) : 1466584327, 9781466584327 ناشر: Chapman and Hall/CRC سال نشر: 2014 تعداد صفحات: 188 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 2 مگابایت
کلمات کلیدی مربوط به کتاب تجزیه و تحلیل منحنی رشد و تجسم با استفاده از R: کتابخانه، ادبیات کامپیوتر، ر
در صورت تبدیل فایل کتاب Growth Curve Analysis and Visualization Using 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 تجزیه و تحلیل منحنی رشد و تجسم با استفاده از 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.
یاد بگیرید چگونه از تحلیل منحنی رشد با داده های دوره زمانی خود استفاده کنید
یک ابزار آماری برجسته در علوم رفتاری، رگرسیون چندسطحی ارائه می دهد. چارچوب آماری برای تجزیه و تحلیل داده های دوره طولی یا زمانی. همچنین راهی برای تعیین کمیت و تجزیه و تحلیل تفاوتهای فردی، مانند رشد و عصب روانشناختی، در چارچوب مدلی از اثرات کلی گروه ارائه میکند. برای استفاده از جنبه های عملی این ابزار مفید، محققان علوم رفتاری به یک منبع مختصر و در دسترس نیاز دارند که نحوه اجرای این روش های تجزیه و تحلیل را توضیح دهد.
تحلیل منحنی رشد و تجسم با استفاده از R فراهم می کند. یک راهنمای عملی و آسان برای انجام تجزیه و تحلیل رگرسیون/منحنی رشد چندسطحی (GCA) دوره زمانی یا داده های طولی در علوم رفتاری، به ویژه علوم شناختی، علوم اعصاب شناختی، و روانشناسی. با حداقل تئوری آماری و اصطلاحات فنی، نویسنده بر روی موضوع مشخص استفاده از GCA در دادههای علوم رفتاری و تفاوتهای فردی تمرکز میکند.
این کتاب با بحث در مورد مشکلاتی که هنگام تجزیه و تحلیل داده های دوره زمانی با آن مواجه می شوند، نحوه تجسم داده های دوره زمانی با استفاده از بسته ggplot2 و نحوه قالب بندی داده ها برای GCA و رسم شروع می شود. سپس یک نمای کلی از GCA و نحو تجزیه و تحلیل هسته با استفاده از بسته lme4 ارائه میکند و نحوه ترسیم برازشهای مدل را نشان میدهد. این کتاب نحوه برخورد با تغییرات در طول زمان را که خطی نیستند، نحوه ساختار اثرات تصادفی، نحوه استفاده از GCA و رگرسیون از پیشبینیکنندههای طبقهبندی، و نحوه انجام مقایسههای همزمان چندگانه در سطوح مختلف یک عامل را شرح میدهد. همچنین مزایا و معایب رویکردهای اجرای GCA لجستیک و شبه لجستیک را مقایسه میکند و نحوه استفاده از GCA برای تجزیه و تحلیل تفاوتهای فردی را به عنوان اثرات ثابت و تصادفی مورد بحث قرار میدهد. فصل آخر کد همه نمونههای کلیدی را به همراه نمونههایی ارائه میکند که نحوه گزارش نتایج GCA را نشان میدهد.
در سراسر کتاب، کد R نحوه پیادهسازی تحلیلها و تولید را نشان میدهد. نمودارها هر فصل با تمرین هایی برای آزمایش درک شما به پایان می رسد. مجموعه دادههای نمونه، کد راهحلهای تمرینها، و کد تکمیلی و مثالها در وبسایت نویسنده موجود است.
Learn How to Use Growth Curve Analysis with Your Time Course Data
An increasingly prominent statistical tool in the behavioral sciences, multilevel regression offers a statistical framework for analyzing longitudinal or time course data. It also provides a way to quantify and analyze individual differences, such as developmental and neuropsychological, in the context of a model of the overall group effects. To harness the practical aspects of this useful tool, behavioral science researchers need a concise, accessible resource that explains how to implement these analysis methods.
Growth Curve Analysis and Visualization Using R provides a practical, easy-to-understand guide to carrying out multilevel regression/growth curve analysis (GCA) of time course or longitudinal data in the behavioral sciences, particularly cognitive science, cognitive neuroscience, and psychology. With a minimum of statistical theory and technical jargon, the author focuses on the concrete issue of applying GCA to behavioral science data and individual differences.
The book begins with discussing problems encountered when analyzing time course data, how to visualize time course data using the ggplot2 package, and how to format data for GCA and plotting. It then presents a conceptual overview of GCA and the core analysis syntax using the lme4 package and demonstrates how to plot model fits. The book describes how to deal with change over time that is not linear, how to structure random effects, how GCA and regression use categorical predictors, and how to conduct multiple simultaneous comparisons among different levels of a factor. It also compares the advantages and disadvantages of approaches to implementing logistic and quasi-logistic GCA and discusses how to use GCA to analyze individual differences as both fixed and random effects. The final chapter presents the code for all of the key examples along with samples demonstrating how to report GCA results.
Throughout the book, R code illustrates how to implement the analyses and generate the graphs. Each chapter ends with exercises to test your understanding. The example datasets, code for solutions to the exercises, and supplemental code and examples are available on the author’s website.