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: نویسندگان: N. H. Bingham, John M. Fry سری: Springer Undergraduate Mathematics Series ISBN (شابک) : 184882968X, 9781848829688 ناشر: Springer سال نشر: 2010 تعداد صفحات: 0 زبان: English فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 2 مگابایت
در صورت تبدیل فایل کتاب Regression: Linear Models in Statistics 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 رگرسیون: مدلهای خطی در آمار 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.
رگرسیون شاخه ای از آمار است که در آن یک متغیر وابسته مورد علاقه به صورت ترکیبی خطی از یک یا چند متغیر پیش بینی همراه با یک خطای تصادفی مدل می شود. موضوع ذاتاً دو بعدی یا بالاتر است، بنابراین درک آمار در یک بعد ضروری است.
رگرسیون: مدل های خطی در آمار شکاف بین نظریه آماری مقدماتی و منابع اطلاعاتی تخصصی تر با انجام این کار، تعدادی مثال کار شده و تمرینهایی با راهحلهای کامل در اختیار خواننده قرار میدهد.
کتاب با رگرسیون خطی ساده (یک متغیر پیشبینیکننده) و تحلیل واریانس (ANOVA) شروع میشود. سپس این منطقه را از طریق گنجاندن موضوعاتی مانند رگرسیون خطی چندگانه (چند متغیر پیشبینیکننده) و تحلیل کوواریانس (ANCOVA) بررسی میکند. این کتاب با موضوعات خاصی مانند رگرسیون ناپارامتریک و مدلهای مختلط، سریهای زمانی، فرآیندهای فضایی و طراحی آزمایشها به پایان میرسد.
برای دانشجویان سال دوم و سوم در مقطع کارشناسی که در حال مطالعه آمار، رگرسیون: مدلهای خطی هستند، به پایان میرسد. در Statisticsبه دانش اولیه آمار (تک بعدی) و همچنین احتمالات و جبر خطی استاندارد نیاز دارد. همراهان احتمالی عبارتند از مدلهای احتمالی جان هیگ، و جبر خطی پایه تیاس بلیث و ایاف رابرتسونز و جبر خطی بیشتر.
Regression is the branch of Statistics in which a dependent variable of interest is modelled as a linear combination of one or more predictor variables, together with a random error. The subject is inherently two- or higher- dimensional, thus an understanding of Statistics in one dimension is essential.
Regression: Linear Models in Statistics fills the gap between introductory statistical theory and more specialist sources of information. In doing so, it provides the reader with a number of worked examples, and exercises with full solutions.
The book begins with simple linear regression (one predictor variable), and analysis of variance (ANOVA), and then further explores the area through inclusion of topics such as multiple linear regression (several predictor variables) and analysis of covariance (ANCOVA). The book concludes with special topics such as non-parametric regression and mixed models, time series, spatial processes and design of experiments.
Aimed at 2nd and 3rd year undergraduates studying Statistics, Regression: Linear Models in Statistics requires a basic knowledge of (one-dimensional) Statistics, as well as Probability and standard Linear Algebra. Possible companions include John Haigh’s Probability Models, and T. S. Blyth & E.F. Robertsons’ Basic Linear Algebra and Further Linear Algebra.
Front Matter....Pages i-xiii
Linear Regression....Pages 1-32
The Analysis of Variance (ANOVA)....Pages 33-59
Multiple Regression....Pages 61-97
Further Multilinear Regression....Pages 99-127
Adding additional covariates and the Analysis of Covariance....Pages 129-148
Linear Hypotheses....Pages 149-162
Model Checking and Transformation of Data....Pages 163-180
Generalised Linear Models....Pages 181-201
Other topics....Pages 203-225
Back Matter....Pages 227-284