دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Multilevel Modeling Using R
دانلود کتاب مدل سازی چند سطحی با استفاده از R
مشخصات کتاب
Multilevel Modeling Using R
ویرایش: [2nd ed.] نویسندگان: W. Holmes Finch, Jocelyn E Bolin, Ken Kelley سری: ISBN (شابک) : 1138480711, 9781138480711 ناشر: CRC Press سال نشر: 2019 تعداد صفحات: 252 [253] زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 6 Mb
قیمت کتاب (تومان) : 31,000
در صورت تبدیل فایل کتاب Multilevel Modeling Using R 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 چند سطحی با استفاده از R 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 مدل سازی چند سطحی با استفاده از R
مانند نسخه پرفروش قبلی خود، مدل سازی چندسطحی با استفاده از R، نسخه دوم راهنمای مفیدی برای انجام مدل سازی داده های چندسطحی با استفاده از محیط نرم افزار R در اختیار خواننده قرار می دهد. پس از بررسی مدل‌های خطی استاندارد، نویسندگان اصول اولیه مدل‌های چند سطحی را ارائه می‌کنند و نحوه برازش این مدل‌ها را با استفاده از R توضیح می‌دهند. سپس نحوه استفاده از مدل‌سازی چندسطحی با داده‌های طولی را نشان می‌دهند و گزینه‌های گرافیکی ارزشمند را در R نشان می‌دهند. این کتاب همچنین مدل‌هایی را برای این مدل توضیح می‌دهد. متغیرهای وابسته طبقه بندی در داده های تک سطحی و چند سطحی. جدید در نسخه دوم: دارای استفاده از lmer (به جای lme) و شامل به روزترین رویکردها برای به دست آوردن فواصل اطمینان برای پارامترهای مدل است. معیارهای R2 (ضریب همبستگی چندگانه مجذور) و برازش کلی مدل را مورد بحث قرار می‌دهد. فصلی در مورد رویکردهای ناپارامتریک و قوی برای تخمین مدل‌های چند سطحی، از جمله توزیع‌های مبتنی بر رتبه، دم سنگین و کمند چندسطحی اضافه می‌کند. شامل فصل جدیدی در مورد مدل های چند سطحی چند متغیره است. بخش های جدیدی را در مورد مدل های خرد کلان و مدل های افزودنی تعمیم یافته چندسطحی ارائه می دهد. این بازبینی کاملاً به‌روز شده ابزارهای پیشرفته‌ای را در اختیار خواننده قرار می‌دهد تا تحقیقات خود را در مدل‌سازی چند سطحی آغاز کند و بینشی در مورد تحقیقات خود به دست آورد. درباره نویسندگان: دبلیو هولمز فینچ، استاد برجسته روانشناسی تربیتی جورج و فرانسیس بال در دانشگاه ایالتی بال است.جوسلین ای. بولین، استاد گروه روانشناسی تربیتی در دانشگاه ایالتی بال است. کن کلی، استاد IT، تجزیه و تحلیل و عملیات انجمن ادوارد اف. سورین و معاون دانشکده و تحقیقات کالج تجارت مندوزا در دانشگاه نوتردام است.
توضیحاتی درمورد کتاب به خارجی
Like its bestselling predecessor, Multilevel Modeling Using R, Second Edition provides the reader with a helpful guide to conducting multilevel data modeling using the R software environment. After reviewing standard linear models, the authors present the basics of multilevel models and explain how to fit these models using R. They then show how to employ multilevel modeling with longitudinal data and demonstrate the valuable graphical options in R. The book also describes models for categorical dependent variables in both single level and multilevel data. New in the Second Edition: Features the use of lmer (instead of lme) and including the most up to date approaches for obtaining confidence intervals for the model parameters. Discusses measures of R2 (the squared multiple correlation coefficient) and overall model fit. Adds a chapter on nonparametric and robust approaches to estimating multilevel models, including rank based, heavy tailed distributions, and the multilevel lasso. Includes a new chapter on multivariate multilevel models. Presents new sections on micro-macro models and multilevel generalized additive models. This thoroughly updated revision gives the reader state-of-the-art tools to launch their own investigations in multilevel modeling and gain insight into their research. About the Authors: W. Holmes Finch is the George and Frances Ball Distinguished Professor of Educational Psychology at Ball State University.Jocelyn E. Bolin is a Professor in the Department of Educational Psychology at Ball State University. Ken Kelley is the Edward F. Sorin Society Professor of IT, Analytics and Operations and the Associate Dean for Faculty and Research for the Mendoza College of Business at the University of Notre Dame.
فهرست مطالب
Cover Half Title Title Page Copyright Page Table of Contents Authors 1: Linear Models Simple Linear Regression Estimating Regression Models with Ordinary Least Squares Distributional Assumptions Underlying Regression Coefficient of Determination Inference for Regression Parameters Multiple Regression Example of Simple Linear Regression by Hand Regression in R Interaction Terms in Regression Categorical Independent Variables Checking Regression Assumptions with R Summary 2: An Introduction to Multilevel Data Structure Nested Data and Cluster Sampling Designs Intraclass Correlation Pitfalls of Ignoring Multilevel Data Structure Multilevel Linear Models Random Intercept Random Slopes Centering Basics of Parameter Estimation with MLMs Maximum Likelihood Estimation Restricted Maximum Likelihood Estimation Assumptions Underlying MLMs Overview of Two-Level MLMs Overview of Three-Level MLMs Overview of Longitudinal Designs and Their Relationship to MLMs Summary 3: Fitting Two-Level Models in R Simple (Intercept-Only) Multilevel Models Interactions and Cross-Level Interactions Using R Random Coefficients Models using R Centering Predictors Additional Options Parameter Estimation Method Estimation Controls Comparing Model Fit lme4 and Hypothesis Testing Summary Note 4: Three-Level and Higher Models Defining Simple Three-Level Models Using the lme4 Package Defining Simple Models with More than Three Levels in the lme4 Package Random Coefficients Models with Three or More Levels in the lme4 Package Summary Note 5: Longitudinal Data Analysis Using Multilevel Models The Multilevel Longitudinal Framework Person Period Data Structure Fitting Longitudinal Models Using the lme4 Package Benefits of Using Multilevel Modeling for Longitudinal Analysis Summary Note 6: Graphing Data in Multilevel Contexts Plots for Linear Models Plotting Nested Data Using the Lattice Package Plotting Model Results Using the Effects Package Summary 7: Brief Introduction to Generalized Linear Models Logistic Regression Model for a Dichotomous Outcome Variable Logistic Regression Model for an Ordinal Outcome Variable Multinomial Logistic Regression Models for Count Data Poisson Regression Models for Overdispersed Count Data Summary 8: Multilevel Generalized Linear Models (MGLMs) MGLMs for a Dichotomous Outcome Variable Random Intercept Logistic Regression Random Coefficients Logistic Regression Inclusion of Additional Level-1 and Level-2 Effects in MGLM MGLM for an Ordinal Outcome Variable Random Intercept Logistic Regression MGLM for Count Data Random Intercept Poisson Regression Random Coefficient Poisson Regression Inclusion of Additional Level-2 Effects to the Multilevel Poisson Regression Model Summary 9: Bayesian Multilevel Modeling MCMCglmm for a Normally Distributed Response Variable Including Level-2 Predictors with MCMCglmm User Defined Priors MCMCglmm for a Dichotomous Dependent Variable MCMCglmm for a Count-Dependent Variable Summary 10: Advanced Issues in Multilevel Modeling Robust Statistics in the Multilevel Context Identifying Potential Outliers in Single-Level Data Identifying Potential Outliers in Multilevel Data Identifying Potential Multilevel Outliers Using R Robust and Rank-Based Estimation for Multilevel Models Fitting Robust and Rank-Based Multilevel Models in R Cauchy Slash Contaminated Multilevel Lasso Fitting the Multilevel Lasso in R Multivariate Multilevel Models Multilevel Generalized Additive Models Fitting GAMM using R Predicting Level-2 Outcomes with Level-1 Variables Power Analysis for Multilevel Models Summary References Index
نظرات کاربران
کتاب های تصادفی
دانلود کتاب Trauma Farm: A Rebel History of Rural Life
دانلود کتاب Making Home Work: Domesticity and Native American Assimilation in the American West, 1860-1919
