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
ویرایش: نویسندگان: W. Holmes Finch, Brian F. French سری: ISBN (شابک) : 0415832446, 9780415832441 ناشر: Routledge سال نشر: 2015 تعداد صفحات: 340 [341] زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 8 Mb
در صورت تبدیل فایل کتاب Latent Variable Modeling with 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 مدلسازی متغیر پنهان با 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.
این کتاب نحوه انجام مدلسازی متغیر پنهان (LVM) در R را با برجسته کردن ویژگیهای هر مدل، کاربردهای تخصصی آنها، مثالها، کد نمونه و خروجی و تفسیر نتایج نشان میدهد. هر فصل دارای یک مثال مفصل از جمله تجزیه و تحلیل داده ها با استفاده از R، نظریه مربوطه، مفروضات زیربنایی مدل، و سایر جزئیات آماری است تا به خوانندگان کمک کند تا مدل ها را بهتر درک کنند و نتایج را تفسیر کنند. هر دستور R لازم برای انجام آنالیزها همراه با خروجی به دست آمده توضیح داده می شود که الگویی را در اختیار خوانندگان قرار می دهد تا زمانی که روش ها را بر روی داده های خود اعمال می کنند دنبال کنند. اطلاعات اولیه مربوط به هر مدل، جدیدترین پیشرفتها در این زمینهها و کد R مربوطه برای استفاده از آنها بررسی میشوند. هر فصل همچنین دارای یک مقدمه، خلاصه و مطالب پیشنهادی است. واژه نامه ای از اصطلاحات کلیدی پررنگ متن و دستورات کلیدی R به عنوان منابع مفید عمل می کند. این کتاب با یک وبسایت با تمرینها، یک کلید پاسخ، و مجموعه دادههای نمونه درون متنی همراه است.
مدلسازی متغیر پنهان با R:
-نمونههایی ارائه میکند که از دادههای آشفته استفاده میکنند و موقعیت واقعیتری را ارائه میکنند که خوانندگان با دادههای خود مواجه میشوند.
- طیف گستردهای از LVMها از جمله تحلیل عاملی، مدلسازی معادلات ساختاری، نظریه پاسخ آیتم، و مدلهای مخلوط را بررسی میکند. و موضوعات پیشرفته مانند برازش مدلهای معادلات ساختاری غیرخطی، مدلهای نظریه پاسخ اقلام ناپارامتری، و مدلهای رگرسیون مخلوط.
-نشان میدهد که چگونه شبیهسازی دادهها میتواند به محققان در درک بهتر روشهای آماری کمک کند و در انتخاب حجم نمونه لازم قبل از آن کمک کند. برای جمعآوری دادهها.
-www.routledge.com/9780415832458 تمرینهایی را ارائه میدهد که مدلها را به همراه کلیدهای پاسخ خروجی R مشروح و دادههایی که با نمونههای درون متنی مطابقت دارد، اعمال میکند تا خوانندگان بتوانند نتایج را تکرار کنند و کار آنها را بررسی کنید.
این کتاب با دستورالعملهای اساسی در مورد نحوه استفاده از R برای خواندن دادهها، دانلود توابع، و انجام تحلیلهای اولیه باز میشود. از آنجا، هر فصل به یک مدل متغیر پنهان متفاوت از جمله تحلیل عاملی اکتشافی و تاییدی (CFA)، مدلسازی معادلات ساختاری (SEM)، گروههای چندگانه CFA/SEM، برآورد حداقل مربعات، مدلهای منحنی رشد، مدلهای مخلوط، نظریه پاسخ آیتمها اختصاص دارد. (هر دو اقلام دوگانه و چندگانه)، عملکرد آیتم دیفرانسیل (DIF)، و تجزیه و تحلیل مطابقت. این کتاب با بحث در مورد چگونگی استفاده از شبیهسازی دادهها برای درک بهتر عملکرد یک روش آماری و کمک به محققان در تصمیمگیری در مورد حجم نمونه لازم قبل از جمعآوری دادهها، به پایان میرسد. مخلوطی از کد R مستقل توسعه یافته به همراه کتابخانه های موجود برای شبیه سازی مدل های نهفته در R ارائه شده است، بنابراین خوانندگان می توانند از این شبیه سازی ها برای تجزیه و تحلیل داده ها با استفاده از روش های معرفی شده در فصل های قبل استفاده کنند.
برای استفاده در فارغ التحصیلان یا در نظر گرفته شده است. دوره های کارشناسی پیشرفته در مدل سازی متغیرهای پنهان، تحلیل عاملی، مدل سازی معادلات ساختاری، نظریه پاسخ آیتم، اندازه گیری یا آمار چند متغیره که در روانشناسی، آموزش، توسعه انسانی و علوم اجتماعی و بهداشت تدریس می شود، محققان این رشته ها نیز از رویکرد عملی این کتاب قدردانی می کنند. این کتاب اطلاعات پس زمینه مفهومی کافی برای خدمت به عنوان یک متن مستقل را فراهم می کند. آشنایی با مفاهیم اولیه آماری فرض می شود اما دانش پایه R نه است.
This book demonstrates how to conduct latent variable modeling (LVM) in R by highlighting the features of each model, their specialized uses, examples, sample code and output, and an interpretation of the results. Each chapter features a detailed example including the analysis of the data using R, the relevant theory, the assumptions underlying the model, and other statistical details to help readers better understand the models and interpret the results. Every R command necessary for conducting the analyses is described along with the resulting output which provides readers with a template to follow when they apply the methods to their own data. The basic information pertinent to each model, the newest developments in these areas, and the relevant R code to use them are reviewed. Each chapter also features an introduction, summary, and suggested readings. A glossary of the text’s boldfaced key terms and key R commands serve as helpful resources. The book is accompanied by a website with exercises, an answer key, and the in-text example data sets.
Latent Variable Modeling with R:
-Provides some examples that use messy data providing a more realistic situation readers will encounter with their own data.
-Reviews a wide range of LVMs including factor analysis, structural equation modeling, item response theory, and mixture models and advanced topics such as fitting nonlinear structural equation models, nonparametric item response theory models, and mixture regression models.
-Demonstrates how data simulation can help researchers better understand statistical methods and assist in selecting the necessary sample size prior to collecting data.
-www.routledge.com/9780415832458 provides exercises that apply the models along with annotated R output answer keys and the data that corresponds to the in-text examples so readers can replicate the results and check their work.
The book opens with basic instructions in how to use R to read data, download functions, and conduct basic analyses. From there, each chapter is dedicated to a different latent variable model including exploratory and confirmatory factor analysis (CFA), structural equation modeling (SEM), multiple groups CFA/SEM, least squares estimation, growth curve models, mixture models, item response theory (both dichotomous and polytomous items), differential item functioning (DIF), and correspondance analysis. The book concludes with a discussion of how data simulation can be used to better understand the workings of a statistical method and assist researchers in deciding on the necessary sample size prior to collecting data. A mixture of independently developed R code along with available libraries for simulating latent models in R are provided so readers can use these simulations to analyze data using the methods introduced in the previous chapters.
Intended for use in graduate or advanced undergraduate courses in latent variable modeling, factor analysis, structural equation modeling, item response theory, measurement, or multivariate statistics taught in psychology, education, human development, and social and health sciences, researchers in these fields also appreciate this book’s practical approach. The book provides sufficient conceptual background information to serve as a standalone text. Familiarity with basic statistical concepts is assumed but basic knowledge of R is not.