S+ Functional Data Analysis: User’s Manual for Windows®

S+Functional Data Analysis اولین بسته تجاری شی گرا برای کاوش، مدل سازی و تجزیه و تحلیل داده های عملکردی است. تجزیه و تحلیل داده های عملکردی (FDA) داده های طولی را مدیریت می کند و هر مشاهده را تابعی از زمان (یا متغیر دیگر) می کند. توابع مرتبط هستند. هدف تجزیه و تحلیل نمونه ای از توابع به جای نمونه ای از نکات مرتبط است.

FDA از جهات مختلفی با تکنیک های سنتی تحلیل داده ها متفاوت است. توابع را می توان در هر نقطه از دامنه خود ارزیابی کرد. مشتقات و انتگرال ها، که ممکن است اطلاعات بهتری (مثلاً گرافیکی) نسبت به داده های اصلی ارائه دهند، به راحتی محاسبه می شوند و در روش های تحلیلی چند متغیره و سایر روش های تحلیل عملکردی استفاده می شوند.

تحلیلگر با استفاده از S+FDA می تواند داده های با فاصله نامنظم را مدیریت کند. داده هایی با مقادیر از دست رفته برای حجم زیاد داده، کار با یک نمایش عملکردی می تواند ذخیره سازی را ذخیره کند. علاوه بر این، S+FDA انواع تکنیک‌های تحلیلی را برای داده‌های عملکردی از جمله مدل‌های خطی، مدل‌های خطی تعمیم‌یافته، مؤلفه‌های اصلی، همبستگی متعارف، تجزیه و تحلیل دیفرانسیل اصلی و خوشه‌بندی ارائه می‌کند.

این کتاب را می‌توان همراهی در نظر گرفت. دو کتاب بسیار تحسین شده دیگر شامل جیمز رمزی و برنارد سیلورمن: تجزیه و تحلیل داده های عملکردی، ویرایش دوم (2005) و تجزیه و تحلیل داده های کاربردی کاربردی (2002). این کتابچه راهنمای کاربر همچنین مستندات کتابخانه S+FDA را برای SPlus ارائه می دهد.

S+Functional Data Analysis is the first commercial object oriented package for exploring, modeling, and analyzing functional data. Functional data analysis (FDA) handles longitudinal data and treats each observation as a function of time (or other variable). The functions are related. The goal is to analyze a sample of functions instead of a sample of related points.

FDA differs from traditional data analytic techniques in a number of ways. Functions can be evaluated at any point in their domain. Derivatives and integrals, which may provide better information (e.g. graphical) than the original data, are easily computed and used in multivariate and other functional analytic methods.

The analyst using S+FDA can handle irregularly spaced data or data with missing values. For large amounts of data, working with a functional representation can save storage. Moreover, S+FDA provides a variety of analytic techniques for functional data including linear models, generalized linear models, principal components, canonical correlation, principal differential analysis, and clustering.

This book can be considered a companion to two other highly acclaimed books involving James Ramsay and Bernard Silverman: Functional Data Analysis, Second Edition (2005) and Applied Functional Data Analysis (2002). This user's manual also provides the documentation for the S+FDA library for S­Plus.