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: James H. Stapleton
سری: Wiley series in probability and statistics
ISBN (شابک) : 0471571504, 0470317760
ناشر: John Wiley & Sons;Wiley Interscience
سال نشر: 1995
تعداد صفحات: 470
زبان: English
فرمت فایل : DJVU (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 4 مگابایت
کلمات کلیدی مربوط به کتاب مدل های آماری خطی: مدل های خطی (آمار)
در صورت تبدیل فایل کتاب Linear Statistical Models 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 مدل های آماری خطی 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 آماری خطی
که در طی یک دوره بیست ساله توسعه یافته و پالایش شدهاند، مطالب
این کتاب ارائهای واضح از مدلهای آماری خطی ارائه میکند. این
مدلها منجر به روشی میشوند که معمولاً «رگرسیون چندگانه» یا
«تحلیل واریانس» نامیده میشود، که به نوبه خود، طیف وسیعی از
کاربردها را برای علوم فیزیکی، زیستی و اجتماعی و همچنین برای
بازرگانی، کشاورزی و مهندسی. برخلاف کتابهای مشابه در این موضوع،
مدلهای آماری خطی بر هندسه فضاهای برداری تأکید میکنند، زیرا
بینشهای شهودی این رویکرد برای درک نظریه به ارمغان میآورد. در
حالی که تمرکز بر تئوری است، نمونههایی از برنامهها با استفاده
از بستههای SAS و S-Plus گنجانده شدهاند. پیش نیازها عبارتند از
آشنایی با جبر خطی و احتمالات و آمار در سطح پس از محاسبات.
موضوعات اصلی تحت پوشش عبارتند از:
* روش های مطالعه بردارهای تصادفی، از جمله نرمال چند متغیره،
مربع کای توزیع های t و F، مرکزی و غیر مرکزی
* مدل خطی و نظریه پایه تحلیل رگرسیون و تحلیل واریانس
* روش های رگرسیون چندگانه شامل تبدیل ها، تجزیه و تحلیل
باقیمانده ها و نظریه مجانبی برای رگرسیون تحلیل و بررسی. بخش های
جداگانه ای به روش های قوی و راه انداز اختصاص داده شده
است.
* فواصل اطمینان همزمان: Bonferroni، Scheffe، Tukey و
Bechhofer
* تجزیه و تحلیل واریانس، با تجزیه و تحلیل واریانس دو و سه
طرفه
* مدل های اجزای تصادفی، طرح های تو در تو، و متعادل طرحهای بلوک
ناقص
* تجزیه و تحلیل دادههای فرکانس از طریق مدلهای لاگ خطی، با
تأکید بر دیدگاه فضای برداری. این فصل به تنهایی برای یک دوره در
مورد تجزیه و تحلیل داده های فراوانی کافی است
Linear Statistical Models
Developed and refined over a period of twenty years, the
material in this book offers an especially lucid presentation
of linear statistical models. These models lead to what is
usually called "multiple regression" or "analysis of variance"
methodology, which, in turn, opens up a wide range of
applications to the physical, biological, and social sciences,
as well as to business, agriculture, and engineering. Unlike
similar books on this topic, Linear Statistical Models
emphasizes the geometry of vector spaces because of the
intuitive insights this approach brings to an understanding of
the theory. While the focus is on theory, examples of
applications, using the SAS and S-Plus packages, are included.
Prerequisites include some familiarity with linear algebra, and
probability and statistics at the postcalculus level.
Major topics covered include:
* Methods of study of random vectors, including the
multivariate normal, chi-square, t and F distributions, central
and noncentral
* The linear model and the basic theory of regression analysis
and the analysis of variance
* Multiple regression methods, including transformations,
analysis of residuals, and asymptotic theory for regression
analysis. Separate sections are devoted to robust methods and
to the bootstrap.
* Simultaneous confidence intervals: Bonferroni, Scheffe,
Tukey, and Bechhofer
* Analysis of variance, with two- and three-way analysis of
variance
* Random component models, nested designs, and balanced
incomplete block designs
* Analysis of frequency data through log-linear models, with
emphasis on vector space viewpoint. This chapter alone is
sufficient for a course on the analysis of frequency data
Linear Statistical Models......Page 5
Contents......Page 9
Preface......Page 13
1.1. Introduction......Page 17
1.2. Vectors, Inner Products, Lengths......Page 19
1.3. Subspaces, Projections......Page 23
1.4. Examples......Page 34
1.5. Some History......Page 41
1.6. Projection Operators......Page 45
1.7. Eigenvalues and Eigenvectors......Page 53
2.1. Covariance Matrices......Page 61
2.2. Expected Values of Quadratic Forms......Page 66
2.3. Projections of Random Variables......Page 69
2.4. The Multivariate Normal Distribution......Page 74
2.5. The x2, F, and t Distributions......Page 78
3.1. The Linear Hypothesis......Page 91
3.2. Confidence Intervals and Test on n = c1β1 + ··· ckβk......Page 99
3.3. The Gauss-Markov Theorem......Page 103
3.4. The Gauss-Markov Theorem for the General Case......Page 108
3.5. Interpretation of Regression Coefficients......Page 111
3.6. The Multiple Correlation Coefficient......Page 113
3.7. The Partial Correlation Coefficient......Page 116
3.8. Testing H0:θεΕV0 [omitted] V......Page 121
3.9. Further Decomposition of Subspaces......Page 133
3.10. Power of the F-Test......Page 137
3.11. Confidence and Prediction Intervals......Page 139
3.12. An Example from SAS......Page 143
3.13. Another Example: Salary Data......Page 154
4.1. Linearizing Transformations......Page 161
4.2. Specification Error......Page 168
4.3. “Generalized” Least Squares......Page 179
4.4. Effects of Additional or Fewer Observations......Page 183
4.5. Finding the “Best” Set of Regressors......Page 190
4.6. Examination of Residuals......Page 198
4.7. Collinearity......Page 203
4.8. Asymptotic Normality......Page 213
4.9. Spline Functions......Page 219
4.10. Nonlinear Least Squares......Page 224
4.11. Robust Regression......Page 229
4.12. Bootstrapping in Regression......Page 237
5. Simultaneous Confidence Intervals......Page 246
5.1. Bonferroni Confidence Intervals......Page 247
5.2. Scheffé Simultaneous Confidence Intervals......Page 248
5.3. Tukey Simultaneous Confidence Intervals......Page 251
5.4. Comparison of Lengths......Page 255
5.5. Rechhofer’s Method......Page 257
6.1. Two-way Analysis of Variance......Page 261
6.2. Unequal Numbers of Observations per Cell......Page 275
6.3. Two-way Analysis of Variance, One Observation per Cell......Page 279
6.4. Design of Experiments......Page 281
6.5. Three-Way Analysis of Variance......Page 282
6.6. The Analysis of Covariance......Page 292
7.1. The Random Effects Model......Page 299
7.2. Nesting......Page 304
7.3. Split Plot Designs......Page 308
7.4. Balanced Incomplete Block Designs......Page 311
8. Analysis of Frequency Data......Page 320
8.1. Examples......Page 321
8.2. Distribution Theory......Page 323
8.3. Confidence Intervals on Poisson and Binomial Parameters......Page 340
8.4. Log-Linear Models......Page 352
8.5. Estimation for the Log-Linear Model......Page 364
8.6. The Chi-square Statistics......Page 382
8.7. The Asymptotic Distributions of β, μ, and m......Page 389
8.8. Logistic Regression......Page 407
References......Page 417
Appendix......Page 424
Answers......Page 447
Author Index......Page 459
Subject Index......Page 461