Introduction to Multivariate Analysis: Linear and Nonlinear Modeling

دسته بندی: آمار ریاضی
ویرایش:  
نویسندگان: Konishi. Sadanori  
سری: Texts in statistical science 
ISBN (شابک) : 9781466567283, 1466567287 
ناشر: CRC Press 
سال نشر: 2014 
تعداد صفحات: 336 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 4 مگابایت 

قیمت کتاب (تومان) : 48,000

تکنیک‌های چند متغیره برای تجزیه و تحلیل داده‌هایی که از بیش از یک متغیر ناشی می‌شوند استفاده می‌شود که در آن روابط بین متغیرها وجود دارد. این تکنیک‌ها عمدتاً بر اساس خطی بودن متغیرهای مشاهده‌شده برای استخراج اطلاعات و الگوها از داده‌های چند متغیره و همچنین برای استخراج اطلاعات مفید هستند. درک ساختار پدیده های تصادفی این کتاب مفاهیم خطی و غیرخطی تکنیک های چند متغیره، از جمله مدل سازی رگرسیون، طبقه بندی، تمایز، کاهش ابعاد، و خوشه بندی را شرح می دهد. "--

\"هدف علم آمار توسعه روش‌شناسی و نظریه‌ای برای استخراج اطلاعات مفید از داده‌ها و استنتاج معقول برای روشن کردن پدیده‌های با عدم قطعیت در زمینه‌های مختلف علوم طبیعی و اجتماعی است. داده‌ها حاوی اطلاعات هستند. در مورد پدیده تصادفی مورد بررسی و هدف تجزیه و تحلیل آماری بیان این اطلاعات به شکل قابل فهم با استفاده از روش های آماری است. ما همچنین در مورد جنبه های ناشناخته پدیده های تصادفی استنباط می کنیم و به دنبال درک روابط علی هستیم. تحلیل چند متغیره به تکنیک هایی اطلاق می شود که برای تجزیه و تحلیل داده هایی که از متغیرهای متعددی که بین آنها روابطی وجود دارد، به وجود می آیند. تجزیه و تحلیل چند متغیره به طور گسترده ای برای استخراج اطلاعات و الگوهای مفید از داده های چند متغیره و برای درک ساختار پدیده های تصادفی استفاده شده است. تکنیک‌ها شامل رگرسیون، تجزیه و تحلیل متمایز، تجزیه و تحلیل مؤلفه‌های اصلی، خوشه‌بندی و غیره است و عمدتاً بر اساس خطی بودن متغیرهای مشاهده‌شده است. در سال‌های اخیر، دسترسی گسترده به رایانه‌های سریع و ارزان، ما را قادر می‌سازد تا حجم عظیمی از داده‌ها را با ساختار پیچیده و/یا داده‌های با ابعاد بالا جمع‌آوری کنیم. چنین انباشت داده ها نیز با توسعه و تکثیر فناوری های اندازه گیری الکترونیکی و ابزار دقیق تسریع می شود. چنین مجموعه داده هایی در زمینه های مختلف علم و صنعت، از جمله بیوانفورماتیک، پزشکی، داروسازی، مهندسی سیستم ها، تشخیص الگو، علوم زمین و محیط زیست، اقتصاد و بازاریابی به وجود می آیند. \"-- ادامه مطلب...
چکیده: \"تکنیک های چند متغیره برای تجزیه و تحلیل استفاده می شود داده هایی که از بیش از یک متغیر به وجود می آیند که در آنها روابط بین متغیرها وجود دارد. این تکنیک ها عمدتا بر اساس خطی بودن متغیرهای مشاهده شده، برای استخراج اطلاعات و الگوها از داده های چند متغیره و همچنین برای درک ساختار پدیده های تصادفی مفید هستند. این کتاب مفاهیم تکنیک‌های چند متغیره خطی و غیرخطی از جمله مدل‌سازی رگرسیون، طبقه‌بندی، تمایز، کاهش ابعاد و خوشه‌بندی را تشریح می‌کند. اطلاعات از داده ها و برای استنتاج معقول برای روشن کردن پدیده های با عدم قطعیت در زمینه های مختلف علوم طبیعی و اجتماعی. داده ها حاوی اطلاعاتی در مورد پدیده تصادفی مورد بررسی هستند و هدف از تجزیه و تحلیل آماری بیان این اطلاعات به شکل قابل فهم با استفاده از روش های آماری است. ما همچنین در مورد جنبه های ناشناخته پدیده های تصادفی استنباط می کنیم و به دنبال درک روابط علی هستیم. تحلیل چند متغیره به تکنیک هایی اطلاق می شود که برای تجزیه و تحلیل داده هایی که از متغیرهای متعددی که بین آنها روابطی وجود دارد، به وجود می آیند. تجزیه و تحلیل چند متغیره به طور گسترده ای برای استخراج اطلاعات و الگوهای مفید از داده های چند متغیره و برای درک ساختار پدیده های تصادفی استفاده شده است. تکنیک‌ها شامل رگرسیون، تجزیه و تحلیل متمایز، تجزیه و تحلیل مؤلفه‌های اصلی، خوشه‌بندی و غیره است و عمدتاً بر اساس خطی بودن متغیرهای مشاهده‌شده است. در سال‌های اخیر، دسترسی گسترده به رایانه‌های سریع و ارزان، ما را قادر می‌سازد تا حجم عظیمی از داده‌ها را با ساختار پیچیده و/یا داده‌های با ابعاد بالا جمع‌آوری کنیم. چنین انباشت داده ها نیز با توسعه و تکثیر فناوری های اندازه گیری الکترونیکی و ابزار دقیق تسریع می شود. چنین مجموعه داده هایی در زمینه های مختلف علم و صنعت، از جمله بیوانفورماتیک، پزشکی، داروسازی، مهندسی سیستم ها، تشخیص الگو، علوم زمین و محیط زیست، اقتصاد و بازاریابی به وجود می آیند. \"

"Multivariate techniques are used to analyze data that arise from more than one variable in which there are relationships between the variables. Mainly based on the linearity of observed variables, these techniques are useful for extracting information and patterns from multivariate data as well as for the understanding the structure of random phenomena. This book describes the concepts of linear and nonlinear multivariate techniques, including regression modeling, classification, discrimination, dimension reduction, and clustering"--

"The aim of statistical science is to develop the methodology and the theory for extracting useful information from data and for reasonable inference to elucidate phenomena with uncertainty in various fields of the natural and social sciences. The data contain information about the random phenomenon under consideration and the objective of statistical analysis is to express this information in an understandable form using statistical procedures. We also make inferences about the unknown aspects of random phenomena and seek an understanding of causal relationships. Multivariate analysis refers to techniques used to analyze data that arise from multiple variables between which there are some relationships. Multivariate analysis has been widely used for extracting useful information and patterns from multivariate data and for understanding the structure of random phenomena. Techniques would include regression, discriminant analysis, principal component analysis, clustering, etc., and are mainly based on the linearity of observed variables. In recent years, the wide availability of fast and inexpensive computers enables us to accumulate a huge amount of data with complex structure and/or high-dimensional data. Such data accumulation is also accelerated by the development and proliferation of electronic measurement and instrumentation technologies. Such data sets arise in various fields of science and industry, including bioinformatics, medicine, pharmaceuticals, systems engineering, pattern recognition, earth and environmental sciences, economics and marketing. "-- Read more...
Abstract: "Multivariate techniques are used to analyze data that arise from more than one variable in which there are relationships between the variables. Mainly based on the linearity of observed variables, these techniques are useful for extracting information and patterns from multivariate data as well as for the understanding the structure of random phenomena. This book describes the concepts of linear and nonlinear multivariate techniques, including regression modeling, classification, discrimination, dimension reduction, and clustering"--

"The aim of statistical science is to develop the methodology and the theory for extracting useful information from data and for reasonable inference to elucidate phenomena with uncertainty in various fields of the natural and social sciences. The data contain information about the random phenomenon under consideration and the objective of statistical analysis is to express this information in an understandable form using statistical procedures. We also make inferences about the unknown aspects of random phenomena and seek an understanding of causal relationships. Multivariate analysis refers to techniques used to analyze data that arise from multiple variables between which there are some relationships. Multivariate analysis has been widely used for extracting useful information and patterns from multivariate data and for understanding the structure of random phenomena. Techniques would include regression, discriminant analysis, principal component analysis, clustering, etc., and are mainly based on the linearity of observed variables. In recent years, the wide availability of fast and inexpensive computers enables us to accumulate a huge amount of data with complex structure and/or high-dimensional data. Such data accumulation is also accelerated by the development and proliferation of electronic measurement and instrumentation technologies. Such data sets arise in various fields of science and industry, including bioinformatics, medicine, pharmaceuticals, systems engineering, pattern recognition, earth and environmental sciences, economics and marketing. "

Content: Introduction  Regression Modeling  Classification and Discrimination  Dimension Reduction  Clustering         Linear Regression Models  Relationship between Two Variables  Relationships Involving Multiple Variables  Regularization         Nonlinear Regression Models  Modeling Phenomena  Modeling by Basis Functions  Basis Expansions  Regularization         Logistic Regression Models  Risk Prediction Models  Multiple Risk Factor Models  Nonlinear Logistic Regression Models     Model Evaluation and Selection Criteria Based on Prediction Errors  Information Criteria  Bayesian Model Evaluation Criterion         Discriminant Analysis  Fisher's Linear Discriminant Analysis  Classification Based on Mahalanobis Distance Variable Selection  Canonical Discriminant Analysis         Bayesian Classification  Bayes' Theorem Classification with Gaussian Distributions  Logistic Regression for Classification         Support Vector Machines  Separating Hyperplane  Linearly Nonseparable Case From Linear to Nonlinear         Principal Component Analysis  Principal Components  Image Compression and Decompression  Singular Value Decomposition  Kernel Principal Component Analysis         Clustering  Hierarchical Clustering  Nonhierarchical Clustering  Mixture Models for Clustering         Appendix A: Bootstrap Methods  Appendix B: Lagrange Multipliers  Appendix C: EM Algorithm         Bibliography     Index