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: Lang Wu
سری: Monographs on Statistics and Applied Probability 113
ISBN (شابک) : 1420074083, 9781420074086
ناشر: CRC Press
سال نشر: 2010
تعداد صفحات: 440
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 3 مگابایت
در صورت تبدیل فایل کتاب Mixed Effects Models for Complex Data 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 جلوههای ترکیبی برای دادههای پیچیده 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.
اگرچه مدلهای استاندارد اثرات مختلط در طیف وسیعی از مطالعات مفید هستند، اما در مطالعه دادههای پیچیده یا ناقص، اغلب باید از روشهای دیگر در ارتباط با آنها استفاده شود. مدلهای اثرات مختلط برای دادههای پیچیده، مدلهای اثرات مختلط پرکاربرد را مورد بحث قرار میدهد و رویکردهای مناسبی را برای رسیدگی به ریزشها، دادههای از دست رفته، خطاهای اندازهگیری، سانسور و موارد پرت ارائه میکند. برای هر کلاس از مدل اثرات مختلط، نویسنده کلاس مربوطه از مدل رگرسیون را برای داده های مقطعی بررسی می کند. مروری بر مدلها و روشهای کلی، همراه با مثالهای انگیزشی پس از ارائه نمونههای داده واقعی و تشریح رویکردهای کلی برای تجزیه و تحلیل دادههای طولی/خوشهای و دادههای ناقص، این کتاب به معرفی مدلهای اثرات مختلط خطی (LME)، مدلهای ترکیبی خطی تعمیمیافته (GLMMs) میپردازد. مدلهای اثرات مختلط غیرخطی (NLME) و مدلهای اثرات مختلط نیمه پارامتریک و ناپارامتریک. همچنین شامل رویکردهای کلی برای تجزیه و تحلیل دادههای پیچیده با مقادیر گمشده، خطاهای اندازهگیری، سانسور و مقادیر پرت است. پوشش مستقل موضوعات خاص فصلهای بعدی عمیقتر به مشکلات دادههای از دست رفته، خطاهای اندازهگیری متغیرهای کمکی و پاسخهای سانسور شده در مدلهای اثرات مختلط میپردازند. این کتاب با تمرکز بر دادههای ناقص، مدلهای بقا و شکنندگی، مدلهای مشترک دادههای بقا و طولی، روشهای قوی برای مدلهای اثرات مختلط، مدلهای معادله برآورد تعمیمیافته حاشیهای (GEE) برای دادههای طولی یا خوشهای، و روشهای بیزی برای مدلهای اثرات مختلط را پوشش میدهد. . مطالب پیشزمینه در پیوست، نویسنده اطلاعات پسزمینهای مانند نظریه احتمال، نمونهگر گیبس، روشهای نمونهگیری رد و اهمیت، روشهای ادغام عددی، روشهای بهینهسازی، بوت استرپ، و جبر ماتریسی را ارائه میدهد. عدم رسیدگی صحیح به داده های از دست رفته، خطاهای اندازه گیری و سایر مسائل در تجزیه و تحلیل های آماری می تواند منجر به نتایج شدیدا مغرضانه یا گمراه کننده شود. این کتاب سوگیریهایی را که هنگام استفاده از روشهای ساده به وجود میآیند را بررسی میکند و نشان میدهد که چه رویکردهایی باید برای دستیابی به نتایج دقیق در تجزیه و تحلیل دادههای طولی مورد استفاده قرار گیرند.
Although standard mixed effects models are useful in a range of studies, other approaches must often be used in correlation with them when studying complex or incomplete data. Mixed Effects Models for Complex Data discusses commonly used mixed effects models and presents appropriate approaches to address dropouts, missing data, measurement errors, censoring, and outliers. For each class of mixed effects model, the author reviews the corresponding class of regression model for cross-sectional data. An overview of general models and methods, along with motivating examples After presenting real data examples and outlining general approaches to the analysis of longitudinal/clustered data and incomplete data, the book introduces linear mixed effects (LME) models, generalized linear mixed models (GLMMs), nonlinear mixed effects (NLME) models, and semiparametric and nonparametric mixed effects models. It also includes general approaches for the analysis of complex data with missing values, measurement errors, censoring, and outliers. Self-contained coverage of specific topicsSubsequent chapters delve more deeply into missing data problems, covariate measurement errors, and censored responses in mixed effects models. Focusing on incomplete data, the book also covers survival and frailty models, joint models of survival and longitudinal data, robust methods for mixed effects models, marginal generalized estimating equation (GEE) models for longitudinal or clustered data, and Bayesian methods for mixed effects models. Background materialIn the appendix, the author provides background information, such as likelihood theory, the Gibbs sampler, rejection and importance sampling methods, numerical integration methods, optimization methods, bootstrap, and matrix algebra. Failure to properly address missing data, measurement errors, and other issues in statistical analyses can lead to severely biased or misleading results. This book explores the biases that arise when naïve methods are used and shows which approaches should be used to achieve accurate results in longitudinal data analysis.
Title......Page 8
Copyright......Page 9
Contents......Page 12
Preface......Page 20
CHAPTER 1: Introduction......Page 22
CHAPTER 2: Mixed Effects Models......Page 60
CHAPTER 3: Missing Data, Measurement Errors, and Outliers......Page 118
CHAPTER 4: Mixed Effects Models with Missing Data......Page 152
CHAPTER 5: Mixed Effects Models with Measurement Errors......Page 198
CHAPTER 6: Mixed Effects Models with Censoring......Page 224
CHAPTER 7: Survival Mixed Effects (Frailty) Models......Page 250
CHAPTER 8: Joint Modeling Longitudinal Data and Survival Data......Page 274
CHAPTER 9: Robust Mixed Effects Models......Page 314
CHAPTER 10: Generalized Estimating Equations (GEEs)......Page 354
CHAPTER 11: Bayesian Mixed Effects Models......Page 374
CHAPTER 12: Appendix: Background Materials......Page 396
References......Page 414
Index......Page 435
Abstract......Page 440