دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Handbook of Quantile Regression
دانلود کتاب کتاب راهنمای رگرسیون کوانتلی
مشخصات کتاب
Handbook of Quantile Regression
ویرایش: 1 نویسندگان: Roger Koenker, Victor Chernozhukov, Xuming He, Limin Peng سری: Chapman & Hall/CRC Handbooks of Modern Statistical Methods ISBN (شابک) : 1498725287, 1498725295 ناشر: Chapman and Hall/CRC;CRC Press سال نشر: 2018 تعداد صفحات: 485 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 41 مگابایت
قیمت کتاب (تومان) : 32,000
کلمات کلیدی مربوط به کتاب کتاب راهنمای رگرسیون کوانتلی: رگرسیون چندکی.، تحلیل رگرسیون.، رگرسیون چندگانه، تحلیل رگرسیون، کوانتیل.، تحلیل رگرسیون.
در صورت تبدیل فایل کتاب Handbook of Quantile Regression 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 کتاب راهنمای رگرسیون کوانتلی 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 کتاب راهنمای رگرسیون کوانتلی
رگرسیون چندکی مجموعه‌ای از تکنیک‌های آماری را تشکیل می‌دهد که برای تخمین و استنتاج درباره توابع چندک شرطی در نظر گرفته شده است. رگرسیون میانه، همانطور که در قرن 18 توسط بوسکوویچ و لاپلاس معرفی شد، یک مورد خاص است. بر خلاف رگرسیون میانگین معمولی که مجموع مجذور باقیمانده را به حداقل می رساند، رگرسیون میانه مجموع باقیمانده های مطلق را به حداقل می رساند. رگرسیون چندک به سادگی جایگزین از دست دادن خطی نامتقارن مطلق متقارن می شود.
از زمان معرفی آن در دهه 1970 توسط کوئنکر و باست، رگرسیون چندک به تدریج به طیف گسترده ای از تحلیل داده ها گسترش یافته است. تنظیمات شامل سری های زمانی، تجزیه و تحلیل بقا، و داده های طولی. با تمرکز بر بخش‌های محلی توزیع شرطی متغیرهای پاسخ، می‌توان دید کامل‌تر و ظریف‌تری از اثرات متغیرهای ناهمگن ارائه کرد. کاربردهای رگرسیون چندکی اکنون در سراسر علوم، از جمله اخترفیزیک، شیمی، بوم شناسی، اقتصاد، مالی، ژنومیک، پزشکی و هواشناسی یافت می شود. نرم افزار برای رگرسیون چندک در حال حاضر به طور گسترده در تمام محیط های محاسباتی آماری عمده در دسترس است.
هدف این جلد ارائه مروری جامع از پیشرفت های اخیر روش رگرسیون چندکی است که کاربرد آن را در طیف گسترده ای از علوم علمی نشان می دهد. تنظیمات.
مخاطبان مورد نظر این جلد، محققان و دانشجویان فارغ التحصیل در مجموعه‌ای از رشته‌های مختلف هستند.
توضیحاتی درمورد کتاب به خارجی
Quantile regression constitutes an ensemble of statistical techniques intended to estimate and draw inferences about conditional quantile functions. Median regression, as introduced in the 18th century by Boscovich and Laplace, is a special case. In contrast to conventional mean regression that minimizes sums of squared residuals, median regression minimizes sums of absolute residuals; quantile regression simply replaces symmetric absolute loss by asymmetric linear loss.
Since its introduction in the 1970's by Koenker and Bassett, quantile regression has been gradually extended to a wide variety of data analytic settings including time series, survival analysis, and longitudinal data. By focusing attention on local slices of the conditional distribution of response variables it is capable of providing a more complete, more nuanced view of heterogeneous covariate effects. Applications of quantile regression can now be found throughout the sciences, including astrophysics, chemistry, ecology, economics, finance, genomics, medicine, and meteorology. Software for quantile regression is now widely available in all the major statistical computing environments.
The objective of this volume is to provide a comprehensive review of recent developments of quantile regression methodology illustrating its applicability in a wide range of scientific settings.
The intended audience of the volume is researchers and graduate students across a diverse set of disciplines.
فهرست مطالب
Content: A Quantile Regression Memoir - Gilbert W. Bassett Jr. and Roger KoenkerResampling Methods - Xuming HeQuantile Regression: Penalized - Ivan MizeraBayesian Quantile Regression - Huixia Judy Wang and Yunwen YangComputational Methods for Quantile Regression - Roger KoenkerSurvival Analysis: A Quantile Perspective - Zhiliang Ying and Tony SitQuantile Regression for Survival Analysis - Limin PengSurvival Analysis with Competing Risks and Semi-competing Risks Data - Ruosha Li and Limin PengInstrumental Variable Quantile Regression - Victor Chernozhukov, Christian Hansen, and Kaspar WuethrichLocal Quantile Treatment Effects - Blaise Melly and Kaspar WuethrichQuantile Regression with Measurement Errors and Missing Data - Ying WeiMultiple-Output Quantile Regression - Marc Hallin and Miroslav SimanSample Selection in Quantile Regression: A Survey - Manuel Arellano and Stephane BonhommeNonparametric Quantile Regression for Banach-valued Response - Joydeep Chowdhury and Probal ChaudhuriHigh-Dimensional Quantile Regression - Alexandre Belloni, Victor Chernozhukov, and Kengo KatoNonconvex Penalized Quantile Regression: A Review of Methods, Theory and Algorithms - Lan WangQAR and Quantile Time Series Analysis - Zhijie XiaoExtremal Quantile Regression -Victor Chernozhukov, Ivan Fernandez-Val, and Tetsuya KajiQuantile regression methods for longitudinal data - Antonio F. Galvao and Kengo KatoQuantile Regression Applications in Finance - Oliver Linton and Zhijie XiaoQuantile regression for Genetic and Genomic Applications - Laurent Briollais and Gilles DurrieuQuantile regression applications in ecology and the environmental sciences - Brian S. Cade
