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: نویسندگان: Thomas A. Severini سری: Oxford Statistical Science Series ISBN (شابک) : 9780198506508 ناشر: OUP Oxford سال نشر: 2001 تعداد صفحات: 195 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 20 مگابایت
کلمات کلیدی مربوط به کتاب روشهای درستنمایی در آمار: آمار
در صورت تبدیل فایل کتاب Likelihood Methods in Statistics 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 روشهای درستنمایی در آمار 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 مقدمه ای بر نظریه مدرن استنتاج آماری مبتنی بر احتمال ارائه می کند. این نظریه با چندین ویژگی مهم مشخص می شود. یکی تشخیص این است که مطلوب است مشروط به آمارهای جانبی مربوطه باشد. مورد دیگر این است که تقریب های احتمال بر اساس نقطه زینی و تقریب های نزدیک مرتبط هستند که عموما دقت بسیار بالایی دارند. جنبه سوم این است که برای مدل هایی با پارامترهای مزاحم، استنتاج اغلب بر اساس احتمالات حاشیه ای یا شرطی، یا تقریبی به این احتمالات است. نشان داده شده است که این روشها اغلب نسبت به روشهای کلاسیک پیشرفتهای قابلتوجهی دارند. این کتاب همچنین گزارشی به روز از نتایج اخیر در این زمینه را ارائه می دهد که در حال توسعه سریع بوده است.
This book provides an introduction to the modern theory of likelihood-based statistical inference. This theory is characterized by several important features. One is the recognition that it is desirable to condition on relevant ancillary statistics. Another is that probability approximations are based on saddlepoint and closely related approximations that generally have very high accuracy. A third aspect is that, for models with nuisance parameters, inference is often based on marginal or conditional likelihoods, or approximations to these likelihoods. These methods have been shown often to yield substantial improvements over classical methods. The book also provides an up-to-date account of recent results in the field, which has been undergoing rapid development.
1 Some Basic Concepts 2 Large-sample Approximations 3 Likelihood 4 First-order Asymptotic Theory 5 High-order Asymptotic Theory 6 Asymptotic Theory and Conditional Inference 7 The Signed Likelihood Ratio Statistic 8 Likelihood Functions for A Parameter of Interest 9 The Modified Profile Likelihood Function Appendix: Data Set Used in the Examples