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: 2 نویسندگان: Frank E. Harrell , Jr. (auth.) سری: Springer Series in Statistics ISBN (شابک) : 9783319194240, 9783319194257 ناشر: Springer International Publishing سال نشر: 2015 تعداد صفحات: 598 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 8 مگابایت
کلمات کلیدی مربوط به کتاب استراتژی های مدل سازی رگرسیون: با کاربردهایی در مدل های خطی ، رگرسیون لجستیک و نظمی و تجزیه و تحلیل بقا: نظریه و روش های آماری، آمار برای علوم زیستی، پزشکی، علوم بهداشتی، آمار و محاسبات / برنامه های آمار
در صورت تبدیل فایل کتاب Regression Modeling Strategies: With Applications to Linear Models, Logistic and Ordinal Regression, and Survival Analysis 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 استراتژی های مدل سازی رگرسیون: با کاربردهایی در مدل های خطی ، رگرسیون لجستیک و نظمی و تجزیه و تحلیل بقا 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 نسخه دوم مورد انتظار دارای فصول و بخش های جدید، 225 مرجع جدید و نرم افزار R جامع است. مطابق با ویرایش قبلی، این کتاب در مورد هنر و علم تجزیه و تحلیل داده ها و مدل سازی پیش بینی است که مستلزم انتخاب و استفاده از ابزارهای متعدد است. این متن به جای ارائه تکنیکهای مجزا، بر استراتژیهای حل مسئله تأکید میکند که به بسیاری از مسائل ناشی از توسعه مدلهای چند متغیره با استفاده از دادههای واقعی و نه نمونههای کتاب درسی استاندارد میپردازد. این شامل روشهای انتساب برای برخورد مؤثر با دادههای از دست رفته، روشهایی برای برازش روابط غیرخطی و برای تبدیل تخمین تبدیلها به بخشی رسمی از فرآیند مدلسازی، روشهایی برای مقابله با "متغیرهای بسیار زیادی برای تجزیه و تحلیل و مشاهدات کافی" و تکنیک های قدرتمند اعتبار سنجی مدل بر اساس بوت استرپ خواننده درک دقیقی از دقت پیشبینی و آسیبهای دستهبندی پیشبینیکنندهها یا نتایج مستمر به دست خواهد آورد. این متن به طور واقع بینانه با عدم قطعیت مدل و تأثیرات آن بر استنتاج، برای دستیابی به "داده کاوی ایمن" سروکار دارد. همچنین روش های گرافیکی زیادی را برای برقراری ارتباط مدل های رگرسیون پیچیده به افراد غیرآمار ارائه می دهد.
استراتژی های مدل سازی رگرسیون ارائه می کند. مطالعات موردی در مقیاس کامل از مجموعه دادههای غیر پیش پا افتاده به جای تصاویر بیش از حد ساده شده هر روش. این مطالعات موردی از توابع R آزادانه در دسترس استفاده میکنند که انجام وظایف چندگانه، ساخت مدل، اعتبارسنجی و تفسیر شرح داده شده در کتاب را نسبتاً آسان میکند. بیشتر روشهای موجود در این متن برای همه مدلهای رگرسیون اعمال میشود، اما تاکید ویژهای بر رگرسیون چندگانه با استفاده از حداقل مربعات تعمیمیافته برای دادههای طولی، مدل لجستیک باینری، مدلهای پاسخهای ترتیبی، مدلهای رگرسیون بقای پارامتری و مدل بقای نیمه پارامتری کاکس داده شده است. . تاکید جدیدی بر تحلیل قوی متغیرهای وابسته پیوسته با استفاده از رگرسیون ترتیبی داده شده است.
همانطور که در
ویرایش اول، این متن برای کارشناسی ارشد یا دکتری در نظر گرفته شده است. دانشجویان مقطع کارشناسی ارشد که یک دوره عمومی مقدماتی احتمال و آمار را گذرانده اند و به رگرسیون چندگانه معمولی و جبر متوسط مسلط هستند. این کتاب همچنین به عنوان مرجعی برای تحلیلگران داده ها و روش شناسان آماری عمل می کند، زیرا حاوی بررسی به روز و کتابشناسی تکنیک های مدل سازی آماری مدرن است. نمونههای مورد استفاده در متن عمدتاً از تحقیقات زیستپزشکی میآیند، اما روشها در هر جایی که مدلهای پیشبینیکننده (\"تحلیل\") مفید هستند، از جمله اقتصاد، اپیدمیولوژی، جامعهشناسی، روانشناسی، مهندسی و بازاریابی قابل استفاده هستند.This highly anticipated second edition features new chapters and sections, 225 new references, and comprehensive R software. In keeping with the previous edition, this book is about the art and science of data analysis and predictive modeling, which entails choosing and using multiple tools. Instead of presenting isolated techniques, this text emphasizes problem solving strategies that address the many issues arising when developing multivariable models using real data and not standard textbook examples. It includes imputation methods for dealing with missing data effectively, methods for fitting nonlinear relationships and for making the estimation of transformations a formal part of the modeling process, methods for dealing with "too many variables to analyze and not enough observations," and powerful model validation techniques based on the bootstrap. The reader will gain a keen understanding of predictive accuracy and the harm of categorizing continuous predictors or outcomes. This text realistically deals with model uncertainty and its effects on inference, to achieve "safe data mining." It also presents many graphical methods for communicating complex regression models to non-statisticians.
Regression Modeling Strategies presents full-scale case studies of non-trivial datasets instead of over-simplified illustrations of each method. These case studies use freely available R functions that make the multiple imputation, model building, validation and interpretation tasks described in the book relatively easy to do. Most of the methods in this text apply to all regression models, but special emphasis is given to multiple regression using generalized least squares for longitudinal data, the binary logistic model, models for ordinal responses, parametric survival regression models and the Cox semi parametric survival model. A new emphasis is given to the robust analysis of continuous dependent variables using ordinal regression.
As in the
first edition, this text is intended for Masters' or Ph.D. level graduate students who have had a general introductory probability and statistics course and who are well versed in ordinary multiple regression and intermediate algebra. The book will also serve as a reference for data analysts and statistical methodologists, as it contains an up-to-date survey and bibliography of modern statistical modeling techniques. Examples used in the text mostly come from biomedical research, but the methods are applicable anywhere predictive models ("analytics") are useful, including economics, epidemiology, sociology, psychology, engineering and marketing.Front Matter....Pages i-xxv
Introduction....Pages 1-11
General Aspects of Fitting Regression Models....Pages 13-44
Missing Data....Pages 45-61
Multivariable Modeling Strategies....Pages 63-102
Describing, Resampling, Validating, and Simplifying the Model....Pages 103-126
Modeling Longitudinal Responses using Generalized Least Squares....Pages 127-142
Case Study in Data Reduction....Pages 143-160
Overview of Maximum Likelihood Estimation....Pages 161-180
Binary Logistic Regression....Pages 181-217
Case Study in Binary Logistic Regression, Model Selection and Approximation: Predicting Cause of Death....Pages 219-274
Logistic Model Case Study 2: Survival of Titanic Passengers....Pages 275-289
Ordinal Logistic Regression....Pages 291-310
Case Study in Ordinal Regression, Data Reduction, and Penalization....Pages 311-325
Regression Models for Continuous Y and Case Study in Ordinal Regression....Pages 327-358
Transform-Both-Sides Regression....Pages 359-387
Introduction to Survival Analysis....Pages 389-398
Parametric Survival Models....Pages 399-422
Case Study in Parametric Survival Modeling and Model Approximation....Pages 423-451
Cox Proportional Hazards Regression Model....Pages 453-474
Case Study in Cox Regression....Pages 475-519
Back Matter....Pages 521-533
....Pages 535-582