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: آمار ریاضی ویرایش: 1 نویسندگان: Scott M. Lynch سری: Statistics for social and behavioral sciences ISBN (شابک) : 038771264X, 9780387712659 ناشر: Springer سال نشر: 2007 تعداد صفحات: 375 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 4 مگابایت
در صورت تبدیل فایل کتاب Introduction to Applied Bayesian Statistics and Estimation for Social Scientists 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 مقدمه ای بر آمار کاربردی بیزی و تخمین برای دانشمندان اجتماعی 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.
"مقدمه ای بر آمار و تخمین بیزی کاربردی برای دانشمندان علوم اجتماعی فرآیند کامل تحلیل آماری بیزی را با جزئیات کامل از توسعه یک مدل تا فرآیند استنتاج آماری پوشش می دهد. ویژگی کلیدی این کتاب این است که مدل هایی را پوشش می دهد که معمولاً در تحقیقات علوم اجتماعی - از جمله مدل رگرسیون خطی، مدلهای خطی تعمیمیافته، مدلهای سلسله مراتبی و مدلهای رگرسیون چند متغیره - استفاده میشود و هر نمونه داده واقعی را به طور کامل با جزئیات پرزحمت توسعه میدهد. بخش اول کتاب مقدمه مفصلی را ارائه میکند. به آمار ریاضی و رویکرد بیزی به آمار، و همچنین توضیح کامل منطق استفاده از روشهای شبیهسازی برای ساخت خلاصهای از توزیعهای پسین. سپس به عنوان روش های عمومی برای شبیه سازی نمونه ها از توزیع معرفی می شوند ns. بحث گسترده ای در مورد برنامه نویسی الگوریتم های MCMC، نظارت بر عملکرد آنها، و بهبود آنها قبل از تبدیل به نمونه های بزرگتر شامل مدل ها و داده های واقعی علوم اجتماعی ارائه شده است.
"Introduction to Applied Bayesian Statistics and Estimation for Social Scientists' covers the complete process of Bayesian statistical analysis in great detail from the development of a model through the process of making statistical inference. The key feature of this book is that it covers models that are most commonly used in social science research - including the linear regression model, generalized linear models, hierarchical models, and multivariate regression models - and it thoroughly develops each real-data example in painstaking detail.The first part of the book provides a detailed introduction to mathematical statistics and the Bayesian approach to statistics, as well as a thorough explanation of the rationale for using simulation methods to construct summaries of posterior distributions. Markov chain Monte Carlo (MCMC) methods - including the Gibbs sampler and the Metropolis-Hastings algorithm - are then introduced as general methods for simulating samples from distributions. Extensive discussion of programming MCMC algorithms, monitoring their performance, and improving them is provided before turning to the larger examples involving real social science models and data.