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: 1
نویسندگان: Andrzej Gałecki. Tomasz Burzykowski (auth.)
سری: Springer Texts in Statistics
ISBN (شابک) : 1461438993, 9781461439004
ناشر: Springer-Verlag New York
سال نشر: 2013
تعداد صفحات: 555
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 13 مگابایت
کلمات کلیدی مربوط به کتاب مدلهای خطی با جلوههای ترکیبی با استفاده از R: یک رویکرد گام به گام: نظریه و روش های آماری، آمار، عمومی، آمار و محاسبات/برنامه های آمار
در صورت تبدیل فایل کتاب Linear Mixed-Effects Models Using R: A Step-by-Step Approach 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 مدلهای خطی با جلوههای ترکیبی با استفاده از R: یک رویکرد گام به گام 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.
مدلهای اثرات مختلط خطی (LMMs) یک دسته مهم از مدلهای آماری هستند که میتوانند برای تجزیه و تحلیل دادههای همبسته استفاده شوند. چنین دادههایی در زمینههای مختلفی از جمله آمار زیستی، بهداشت عمومی، روانسنجی، اندازهگیری آموزشی و جامعهشناسی وجود دارد. هدف این کتاب پشتیبانی از طیف وسیعی از کاربردهای مدلها توسط محققان کاربردی در آن زمینهها و سایر زمینهها با ارائه توصیفهای پیشرفته از پیادهسازی LMM در R است. برای کمک به خوانندگان برای آشنایی با ویژگیهای مدل ها و جزئیات اجرای آنها در R، کتاب شامل بررسی مهم ترین مفاهیم نظری مدل ها می باشد. این ارائه تئوری، نرم افزار و برنامه ها را به هم متصل می کند. این به صورت تدریجی ساخته میشود و با خلاصهای از مفاهیم زیربنای کلاسهای سادهتر مدلهای خطی مانند مدل رگرسیون کلاسیک شروع میشود و آنها را به LMMs منتقل میکند. یک رویکرد گام به گام مشابه برای توصیف ابزارهای R برای LMM ها استفاده می شود. تمام کلاس های مدل های خطی ارائه شده در کتاب با استفاده از داده های واقعی نشان داده شده اند. این کتاب همچنین چندین ابزار جدید R را برای LMMها معرفی میکند، از جمله کلاس جدید ساختار واریانس-کوواریانس برای اثرات تصادفی، روشهایی برای تشخیص تأثیر و محاسبات توان. آنها در یک بسته R گنجانده شده اند که باید به خوانندگان در استفاده از این و سایر روش های ارائه شده در این متن کمک کند.
Linear mixed-effects models (LMMs) are an important class of statistical models that can be used to analyze correlated data. Such data are encountered in a variety of fields including biostatistics, public health, psychometrics, educational measurement, and sociology. This book aims to support a wide range of uses for the models by applied researchers in those and other fields by providing state-of-the-art descriptions of the implementation of LMMs in R. To help readers to get familiar with the features of the models and the details of carrying them out in R, the book includes a review of the most important theoretical concepts of the models. The presentation connects theory, software and applications. It is built up incrementally, starting with a summary of the concepts underlying simpler classes of linear models like the classical regression model, and carrying them forward to LMMs. A similar step-by-step approach is used to describe the R tools for LMMs. All the classes of linear models presented in the book are illustrated using real-life data. The book also introduces several novel R tools for LMMs, including new class of variance-covariance structure for random-effects, methods for influence diagnostics and for power calculations. They are included into an R package that should assist the readers in applying these and other methods presented in this text.
Front Matter....Pages i-xxxii
Front Matter....Pages 1-1
Introduction....Pages 3-9
Case Studies....Pages 11-37
Data Exploration....Pages 39-65
Front Matter....Pages 67-67
Linear Models with Homogeneous Variance....Pages 69-88
Fitting Linear Models with Homogeneous Variance: The lm() and gls() Functions....Pages 89-111
ARMD Trial: Linear Model with Homogeneous Variance....Pages 113-121
Linear Models with Heterogeneous Variance....Pages 123-147
Fitting Linear Models with Heterogeneous Variance: The gls() Function....Pages 149-158
ARMD Trial: Linear Model with Heterogeneous Variance....Pages 159-173
Front Matter....Pages 175-175
Linear Model with Fixed Effects and Correlated Errors....Pages 177-196
Fitting Linear Models with Fixed Effects and Correlated Errors: The gls() Function....Pages 197-212
ARMD Trial: Modeling Correlated Errors for Visual Acuity....Pages 213-241
Front Matter....Pages 243-243
Linear Mixed-Effects Model....Pages 245-273
Fitting Linear Mixed-Effects Models: The lme() Function....Pages 275-301
Fitting Linear Mixed-Effects Models: The lmer() Function....Pages 303-326
ARMD Trial: Modeling Visual Acuity....Pages 327-384
PRT Trial: Modeling Muscle Fiber Specific-Force....Pages 385-430
SII Project: Modeling Gains in Mathematics Achievement-Scores....Pages 431-463
FCAT Study: Modeling Attainment-Target Scores....Pages 465-489
Extensions of the R Tools for Linear Mixed-Effects Models....Pages 491-523
Back Matter....Pages 525-542