Learning Regression Analysis by Simulation

رویکرد استاندارد اکثر کتابهای مقدماتی برای آمار عملی این است که خوانندگان ابتدا حداقل مبانی ریاضی آمار و مفاهیم ابتدایی روش شناسی آماری را یاد می گیرند. سپس نمونه هایی از تجزیه و تحلیل داده های به دست آمده از پدیده های طبیعی و اجتماعی به آنها داده می شود تا بتوانند تعاریف عملی روش های آماری را درک کنند. در نهایت آنها با نرم افزارهای آماری رایانه شخصی آشنا می شوند و داده های مشابه را برای گسترش و تعمیق درک خود از روش های آماری تجزیه و تحلیل می کنند.

اما این کتاب رویکرد کمی متفاوت دارد و به جای استفاده از داده های شبیه سازی، از داده های شبیه سازی استفاده می کند. داده های واقعی برای نشان دادن عملکرد روش های آماری. همچنین، برنامه‌های R فهرست‌شده در کتاب به خوانندگان کمک می‌کند تا به وضوح متوجه شوند که این روش‌ها چگونه برای به نمایش گذاشتن مقادیر ذاتی داده‌ها کار می‌کنند. R نرم‌افزار رایگانی است که کاربران را قادر می‌سازد تا بردارها، ماتریس‌ها، چارچوب‌های داده و غیره را مدیریت کنند.

به عنوان مثال، وقتی یک نظریه آماری نشان می‌دهد که یک رویداد با احتمال 5 درصد اتفاق می‌افتد، خوانندگان می‌توانند با استفاده از این واقعیت واقعیت را تأیید کنند. R برنامه می دهد که این رویداد در واقع با این احتمال، با مدیریت داده های تولید شده توسط اعداد شبه تصادفی رخ می دهد. شبیه سازی به خوانندگان جمعیت هایی با زمینه های شناخته شده می دهد و ماهیت جمعیت را می توان به راحتی تنظیم کرد. این ویژگی داده های شبیه سازی به ارائه تصویر واضحی از روش های آماری بدون درد کمک می کند.

اکثر خوانندگان کتاب‌های آمار مقدماتی برای اهداف عملی، فرمول‌های پیچیده ریاضی را دوست ندارند، اما بدشان نمی‌آید که از رایانه شخصی برای تولید اعداد و نمودارهای مختلف با استفاده از تعداد زیادی اعداد استفاده کنند. اگر از قبل ویژگی های این اعداد را بدانند با خیال راحت با آنها برخورد می کنند. مبارزه با داده های واقعی باید بعداً رخ دهد. کتاب‌های مرسوم در این زمینه، خوانندگان را با ارائه داده‌های ناشناخته به‌طور بی‌رویه به آنها می‌ترسانند. این کتاب مسیر جدیدی را برای مفاهیم آماری و مهارت‌های عملی به شیوه‌ای در دسترس فراهم می‌کند.

The standard approach of most introductory books for practical statistics is that readers first learn the minimum mathematical basics of statistics and rudimentary concepts of statistical methodology. They then are given examples of analyses of data obtained from natural and social phenomena so that they can grasp practical definitions of statistical methods. Finally they go on to acquaint themselves with statistical software for the PC and analyze similar data to expand and deepen their understanding of statistical methods.

This book, however, takes a slightly different approach, using simulation data instead of actual data to illustrate the functions of statistical methods. Also, R programs listed in the book help readers realize clearly how these methods work to bring intrinsic values of data to the surface. R is free software enabling users to handle vectors, matrices, data frames, and so on.

For example, when a statistical theory indicates that an event happens with a 5 % probability, readers can confirm the fact using R programs that this event actually occurs with roughly that probability, by handling data generated by pseudo-random numbers. Simulation gives readers populations with known backgrounds and the nature of the population can be adjusted easily. This feature of the simulation data helps provide a clear picture of statistical methods painlessly.

Most readers of introductory books of statistics for practical purposes do not like complex mathematical formulae, but they do not mind using a PC to produce various numbers and graphs by handling a huge variety of numbers. If they know the characteristics of these numbers beforehand, they treat them with ease. Struggling with actual data should come later. Conventional books on this topic frighten readers by presenting unidentified data to them indiscriminately. This book provides a new path to statistical concepts and practical skills in a readily accessible manner.