Numerical Issues in Statistical Computing for the Social Scientist

ویرایش:  
نویسندگان: Micah Altman,  Jeff Gill,  Michael P. McDonald(auth.),  Walter A. Shewhart,  Samuel S. Wilks(eds.)  
سری: Wiley Series in Probability and Statistics 
ISBN (شابک) : 9780471236337, 9780471475767 
ناشر: John Wiley & Sons, Inc. 
سال نشر: 2004 
تعداد صفحات: 343 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 3 مگابایت 

قیمت کتاب (تومان) : 29,000

در نهایت، راهنمای یک دانشمند علوم اجتماعی از طریق مشکلات محاسبات آماری مدرن

پرداختن به کمبود فعلی در ادبیات روش های آماری همانطور که آنها در علوم اجتماعی و رفتاری کاربرد دارند، Numerical Issues in Statistical Computing for the Social Scientist به دنبال ارائه یک کتاب راهنمای عملی منحصر به فرد در مورد روش های عددی زیربنای محاسبات آماری کامپیوتری مخصوص این زمینه ها است. نویسندگان نشان می‌دهند که دانش این روش‌های عددی و نحوه استفاده از آنها در بسته‌های آماری برای استنتاج دقیق ضروری است. با کمک مشارکت‌کنندگان کلیدی از علوم اجتماعی و رفتاری، نویسندگان مجموعه‌ای غنی از فصول مرتبط با یکدیگر را گردآوری کرده‌اند که برای راهنمایی دانشمندان تجربی اجتماعی از طریق میدان مین بالقوه محاسبات آماری مدرن طراحی شده‌اند.

این متن با ابزارها، ترفندها و توصیه‌های امروزی به‌طور منحصربه‌فرد در دسترس است و با موفقیت شکاف بین متن فعلی را پر می‌کند. سطح روش شناسی علوم اجتماعی و پوشش فنی پیچیده تر که معمولاً با حوزه آماری مرتبط است.

موارد برجسته عبارتند از:

• تمرکز بر مشکلات رخ داده در برآورد حداکثر احتمال
• نمونه های یکپارچه محاسبات آماری (با استفاده از بسته های نرم افزاری مانند SAS، Gauss، Splus، R، Stata، LIMDEP، SPSS، WinBUGS و MATLAB^®)
• راهنمای انتخاب بسته های آماری دقیق
• مباحث بسیاری از رویکردهای آماری فشرده محاسباتی مانند استنتاج اکولوژیکی، زنجیره مارکوف مونت کارلو و تحلیل رگرسیون فضایی
• تاکید بر مسائل عددی خاص، رویه های آماری و کاربرد آنها در زمینه
• تکرار و تحلیل مجدد تحقیقات منتشر شده علوم اجتماعی با استفاده از عددی نوآورانه روش‌ها
• مسائل کلیدی تخمین عددی همراه با ابزارهای اجتناب از دام‌های رایج
• یک وب‌سایت مرتبط شامل داده‌های آزمایشی برای استفاده در نشان دادن مسائل عددی، کد برای اعمال است. روشهای اصلی شرح داده شده در کتاب، و کتابشناسی آنلاین منابع وب برای محاسبات آماری

طراحی شده این کتاب به عنوان یک ابزار تحقیقاتی مستقل، یک مرجع حرفه ای یا یک مکمل کلاس درس، درمان سنجیده ای از یک زمینه پیچیده و چند وجهی را ارائه می دهد.

محتوا:
فصل 1 مقدمه: پیامدهای عدم دقت عددی (صفحات 1-11):
فصل 2 منابع عدم دقت در محاسبات آماری (صفحات 12-43):
فصل 3 ارزیابی نرم افزار آماری (صفحات 44-70):
فصل 4 استنتاج قوی (صفحات 71-117):
مسائل عددی فصل 5 در تخمین مونت کارلو زنجیره مارکوف (صفحات 118-142):
فصل 6 مسائل عددی درگیر در معکوس کردن ماتریس های هسی (صفحات 143-176): جف گیل و گری کینگ
فصل 7 رفتار عددی روش EI کینگ (صفحه های 177-198):
فصل 8 برخی از جزئیات تخمین غیرخطی (صفحه های 199-218): B. D. McCullough
فصل 9 مدل های رگرسیون فضایی (صفحه های 219-237): James P. LeSage
فصل 10 مسائل همگرایی در رگرسیون لجستیک (صفحات 238-252): Paul Allison
فصل 11 توصیه هایی برای تکرار و تکرار تجزیه و تحلیل (صفحات 253-266):

At last-a social scientist's guide through the pitfalls of modern statistical computing

Addressing the current deficiency in the literature on statistical methods as they apply to the social and behavioral sciences, Numerical Issues in Statistical Computing for the Social Scientist seeks to provide readers with a unique practical guidebook to the numerical methods underlying computerized statistical calculations specific to these fields. The authors demonstrate that knowledge of these numerical methods and how they are used in statistical packages is essential for making accurate inferences. With the aid of key contributors from both the social and behavioral sciences, the authors have assembled a rich set of interrelated chapters designed to guide empirical social scientists through the potential minefield of modern statistical computing.

Uniquely accessible and abounding in modern-day tools, tricks, and advice, the text successfully bridges the gap between the current level of social science methodology and the more sophisticated technical coverage usually associated with the statistical field.

Highlights include:

• A focus on problems occurring in maximum likelihood estimation
• Integrated examples of statistical computing (using software packages such as the SAS, Gauss, Splus, R, Stata, LIMDEP, SPSS, WinBUGS, and MATLAB^®)
• A guide to choosing accurate statistical packages
• Discussions of a multitude of computationally intensive statistical approaches such as ecological inference, Markov chain Monte Carlo, and spatial regression analysis
• Emphasis on specific numerical problems, statistical procedures, and their applications in the field
• Replications and re-analysis of published social science research, using innovative numerical methods
• Key numerical estimation issues along with the means of avoiding common pitfalls
• A related Web site includes test data for use in demonstrating numerical problems, code for applying the original methods described in the book, and an online bibliography of Web resources for the statistical computation

Designed as an independent research tool, a professional reference, or a classroom supplement, the book presents a well-thought-out treatment of a complex and multifaceted field.

Content:
Chapter 1 Introduction: Consequences of Numerical Inaccuracy (pages 1–11):
Chapter 2 Sources of Inaccuracy in Statistical Computation (pages 12–43):
Chapter 3 Evaluating Statistical Software (pages 44–70):
Chapter 4 Robust Inference (pages 71–117):
Chapter 5 Numerical Issues in Markov Chain Monte Carlo Estimation (pages 118–142):
Chapter 6 Numerical Issues Involved in Inverting Hessian Matrices (pages 143–176): Jeff Gill and Gary King
Chapter 7 Numerical Behavior of King's EI Method (pages 177–198):
Chapter 8 Some Details of Nonlinear Estimation (pages 199–218): B. D. McCullough
Chapter 9 Spatial Regression Models (pages 219–237): James P. LeSage
Chapter 10 Convergence Problems in Logistic Regression (pages 238–252): Paul Allison
Chapter 11 Recommendations for Replication and Accurate Analysis (pages 253–266):