دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Methods of statistical model estimation
دانلود کتاب روش های برآورد مدل آماری
مشخصات کتاب
Methods of statistical model estimation
ویرایش: نویسندگان: Joseph M. Hilbe, Andrew P. Robinson سری: ISBN (شابک) : 9781439858028, 1439858020 ناشر: CRC Press سال نشر: 2013 تعداد صفحات: 243 [246] زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 4 Mb
قیمت کتاب (تومان) : 34,000
در صورت تبدیل فایل کتاب Methods of statistical model estimation 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 روش های برآورد مدل آماری 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.
توضیحاتی در مورد کتاب روش های برآورد مدل آماری
مقدمه روش‌های تخمین مدل آماری برای ایجاد دیدگاه عمل‌گرایانه خاصی از مدلسازی آماری نوشته شده است. هدف ما تلاش برای نشان دادن وحدتی است که زیربنای تخمین پارامترهای آماری برای طیف گسترده‌ای از مدل‌ها است. ما به دنبال ارائه تکنیک‌ها بوده‌ایم. و اصول مدلسازی آماری با استفاده از کد کامپیوتری اجرایی انتخاب ما مانع استفاده از متن توضیحی، معادلات یا شبه کدهای گاه به گاه نمی شود. با این حال، ما نوشته ایم کد کامپیوتری که در درجه اول و مهم‌تر از همه با ملاحظات آموزشی ایجاد می‌شود. یک مثال در توسعه یک تابع واحد برای محاسبه باقیمانده‌های انحراف در فصل 4 است. ما جزئیات را به بخش 4.7 موکول می‌کنیم، اما در اینجا ذکر می‌کنیم که باقیمانده‌های انحراف یک ابزار تشخیصی مدل مهم هستند. برای GLM ها. هر توزیع در خانواده نمایی دارای باقیمانده انحراف خاص خود است که با احتمال تعریف می شود. بسیاری از کتاب های آماری ارائه خواهند شد. t جداول معادلات برای محاسبه هر یک از این باقیمانده ها. به جای توسعه یک تابع منحصر به فرد برای هر توزیع، ترجیح می دهیم یک تابع واحد ارائه کنیم که احتمال را به طور مناسب خود فراخوانی کند. این تابع منفرد جایگزین پنج یا شش می شود و با انجام این کار، وحدتی را که زیربنای GLM است نشان می دهد. البته، کد نسبت به نمایش مستقیم معادلات کارایی و پایداری کمتری دارد، اما هدف ما وضوح است تا سرعت یا ثبات. این کتاب همچنین دستورالعمل‌هایی را ارائه می‌دهد تا آماردانان و محققان را از رشته‌های مختلف قادر می‌سازد تا مدل‌های آماری خود را با استفاده از R. R، بیش از هر برنامه آماری دیگری، با سهولت برنامه‌ریزی کنند. برای استفاده دیگران در جامعه تحقیقاتی عمومی\"-- بیشتر بخوانید... برنامه نویسی و R مقدمه ویژگی های R برنامه نویسی ساخت بسته های R مطالعه بیشتر آمار و تخمین مبتنی بر احتمال شناسی مقدمه مدل های آماری تخمین حداکثر احتمال تخمین فاصله مدل شبیه سازی برای سرگرمی و سود رگرسیون معمولی مقدمه حداقل مربعات رگرسیون رگرسیون حداکثر خانواده‌ها و اصطلاحات خانواده نمایی الگوریتم برازش IRLS برنولی یا رگرسیون لجستیک باینری مدل‌های دوجمله‌ای گروه‌بندی‌شده ساخت تابع GLM مدل دوجمله‌ای منفی GLM پراکندگی، بیش از و کمتر از خوب بودن برازش و تجزیه و تحلیل باقیمانده وزن‌ها نتیجه‌گیری GLM حداکثر نتیجه‌گیری -Parameter MLE Panel Data مدل پانل چیست؟ مدل اثرات ثابت مدل تصادفی-برق مدل های پیشرفته تر الگوریتم EM مطالعه بیشتر تخمین مدل با استفاده از شبیه سازی شبیه سازی: چرا و چه زمانی؟ مدل‌های آماری ترکیبی تخمین پارامتر بیزی بحث فهرست کتابشناسی تمرین‌ها در پایان هر فصل ظاهر می‌شوند.
توضیحاتی درمورد کتاب به خارجی
"Preface Methods of Statistical Model Estimation has been written to develop a particular pragmatic viewpoint of statistical modelling. Our goal has been to try to demonstrate the unity that underpins statistical parameter estimation for a wide range of models. We have sought to represent the techniques and tenets of statistical modelling using executable computer code. Our choice does not preclude the use of explanatory text, equations, or occasional pseudo-code. However, we have written computer code that is motivated by pedagogic considerations first and foremost. An example is in the development of a single function to compute deviance residuals in Chapter 4. We defer the details to Section 4.7, but mention here that deviance residuals are an important model diagnostic tool for GLMs. Each distribution in the exponential family has its own deviance residual, defined by the likelihood. Many statistical books will present tables of equations for computing each of these residuals. Rather than develop a unique function for each distribution, we prefer to present a single function that calls the likelihood appropriately itself. This single function replaces five or six, and in so doing, demonstrates the unity that underpins GLM. Of course, the code is less efficient and less stable than a direct representation of the equations would be, but our goal is clarity rather than speed or stability. This book also provides guidelines to enable statisticians and researchers from across disciplines to more easily program their own statistical models using R. R, more than any other statistical application, is driven by the contributions of researchers who have developed scripts, functions, and complete packages for the use of others in the general research community"-- Read more... Programming and R Introduction R Specifics Programming Making R Packages Further Reading Statistics and Likelihood-Based Estimation Introduction Statistical Models Maximum Likelihood Estimation Interval Estimates Simulation for Fun and Profit Ordinary Regression Introduction Least-Squares Regression Maximum-Likelihood Regression Infrastructure Conclusion Generalized Linear Models Introduction GLM: Families and Terms The Exponential Family The IRLS Fitting Algorithm Bernoulli or Binary Logistic Regression Grouped Binomial Models Constructing a GLM Function GLM Negative Binomial Model Offsets Dispersion, Over and Under Goodness-of-Fit and Residual Analysis Weights Conclusion Maximum Likelihood Estimation Introduction MLE for GLM Two-Parameter MLE Panel Data What Is a Panel Model? Fixed-Effects Model Random-Intercept Model Handling More Advanced Models The EM Algorithm Further Reading Model Estimation Using Simulation Simulation: Why and When? Synthetic Statistical Models Bayesian Parameter Estimation Discussion Bibliography Index Exercises appear at the end of each chapter.
نظرات کاربران
کتاب های تصادفی
