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: Ding-Geng (Din) Chen. John Dean Chen (eds.)
سری: ICSA Book Series in Statistics
ISBN (شابک) : 9789811033063, 9789811033070
ناشر: Springer Singapore
سال نشر: 2017
تعداد صفحات: 438
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 10 مگابایت
کلمات کلیدی مربوط به کتاب مدل سازی آماری مبتنی بر شبیه سازی مونت کارلو: آمار برای علوم زیستی، پزشکی، علوم بهداشتی، آمار زیستی
در صورت تبدیل فایل کتاب Monte-Carlo Simulation-Based Statistical Modeling 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 سازی آماری مبتنی بر شبیه سازی مونت کارلو 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 محققان خبرهای را که در مدلسازی آماری مبتنی بر شبیهسازی مونت کارلو درگیر هستند گرد هم میآورد و به آنها انجمنی برای ارائه و بحث درباره مسائل اخیر در توسعه روششناختی و همچنین کاربردهای بهداشت عمومی ارائه میدهد. این به سه بخش تقسیم میشود که اولی مروری بر تکنیکهای مونت کارلو دارد، بخش دوم بر روی روشهای مونت کارلو دادههای از دست رفته تمرکز دارد، و بخش سوم به مدلسازی بیزی و آماری عمومی با استفاده از شبیهسازیهای مونت کارلو میپردازد. دادهها و برنامههای رایانهای مورد استفاده در اینجا نیز در دسترس عموم قرار میگیرند و به خوانندگان این امکان را میدهند که توسعه مدل و تجزیه و تحلیل دادههای ارائهشده در هر فصل را تکرار کنند و به آسانی آنها را در تحقیقات خود به کار ببرند. این کتاب که دارای محتوای بسیار موضوعی است، این پتانسیل را دارد که بر توسعه مدل و تجزیه و تحلیل دادهها در طیف گستردهای از زمینهها تأثیر بگذارد و تحقیقات بیشتری را در این راستا جرقه بزند.
This book brings together expert researchers engaged in Monte-Carlo simulation-based statistical modeling, offering them a forum to present and discuss recent issues in methodological development as well as public health applications. It is divided into three parts, with the first providing an overview of Monte-Carlo techniques, the second focusing on missing data Monte-Carlo methods, and the third addressing Bayesian and general statistical modeling using Monte-Carlo simulations. The data and computer programs used here will also be made publicly available, allowing readers to replicate the model development and data analysis presented in each chapter, and to readily apply them in their own research. Featuring highly topical content, the book has the potential to impact model development and data analyses across a wide spectrum of fields, and to spark further research in this direction.
Front Matter....Pages i-xviii
Front Matter....Pages 1-1
Joint Generation of Binary, Ordinal, Count, and Normal Data with Specified Marginal and Association Structures in Monte-Carlo Simulations....Pages 3-15
Improving the Efficiency of the Monte-Carlo Methods Using Ranked Simulated Approach....Pages 17-40
Normal and Non-normal Data Simulations for the Evaluation of Two-Sample Location Tests....Pages 41-57
Anatomy of Correlational Magnitude Transformations in Latency and Discretization Contexts in Monte-Carlo Studies....Pages 59-84
Monte-Carlo Simulation of Correlated Binary Responses....Pages 85-105
Quantifying the Uncertainty in Optimal Experiment Schemes via Monte-Carlo Simulations....Pages 107-126
Front Matter....Pages 127-127
Markov Chain Monte-Carlo Methods for Missing Data Under Ignorability Assumptions....Pages 129-142
A Multiple Imputation Framework for Massive Multivariate Data of Different Variable Types: A Monte-Carlo Technique....Pages 143-162
Hybrid Monte-Carlo in Multiple Missing Data Imputations with Application to a Bone Fracture Data....Pages 163-178
Statistical Methodologies for Dealing with Incomplete Longitudinal Outcomes Due to Dropout Missing at Random....Pages 179-209
Applications of Simulation for Missing Data Issues in Longitudinal Clinical Trials....Pages 211-232
Application of Markov Chain Monte-Carlo Multiple Imputation Method to Deal with Missing Data from the Mechanism of MNAR in Sensitivity Analysis for a Longitudinal Clinical Trial....Pages 233-252
Front Matter....Pages 253-253
Monte-Carlo Simulation in Modeling for Hierarchical Generalized Linear Mixed Models....Pages 255-283
Monte-Carlo Methods in Financial Modeling....Pages 285-317
Simulation Studies on the Effects of the Censoring Distribution Assumption in the Analysis of Interval-Censored Failure Time Data....Pages 319-346
Robust Bayesian Hierarchical Model Using Monte-Carlo Simulation....Pages 347-366
A Comparison of Bootstrap Confidence Intervals for Multi-level Longitudinal Data Using Monte-Carlo Simulation....Pages 367-403
Bootstrap-Based LASSO-Type Selection to Build Generalized Additive Partially Linear Models for High-Dimensional Data....Pages 405-424
Back Matter....Pages 425-430