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: Corrected
نویسندگان: Jeffrey S. Simonoff
سری:
ISBN (شابک) : 0387947167, 9780387947167
ناشر:
سال نشر: 1996
تعداد صفحات: 352
زبان: English
فرمت فایل : DJVU (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 6 مگابایت
در صورت تبدیل فایل کتاب Smoothing Methods in Statistics (Springer Series 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 روش های هموارسازی در آمار (سری اسپرینگر 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.
با تمرکز بر کاربردها، این کتاب طیف بسیار گستردهای از جمله تخمین چگالی تک متغیره و چند متغیره ساده و پیچیده، تخمین رگرسیون ناپارامتری، هموارسازی دادههای طبقهبندی، و کاربردهای هموارسازی در سایر حوزههای آمار را پوشش میدهد. بنابراین برای تحلیلگران دادهها جالب خواهد بود، زیرا استدلالها بهجای تئوری آماری، عموماً از دادههای واقعی ناشی میشوند، در حالی که بخشهای «مواد پیشزمینه» به آماردانانی که در این زمینه مطالعه میکنند علاقهمند است. بیش از 750 مرجع به محققان اجازه می دهد تا منابع اصلی را برای جزئیات بیشتر بیابند، و بخش های \"مسائل محاسباتی\" منابعی را برای نرم افزارهای آماری ارائه می دهند که از روش های بحث شده استفاده می کنند. هر فصل شامل تمرینهایی با تمرکز محاسباتی شدید بر اساس مجموعه دادههای مورد استفاده در کتاب است که آن را به همان اندازه کتاب درسی برای یک دوره هموارسازی مناسب میکند.
Focussing on applications, this book covers a very broad range, including simple and complex univariate and multivariate density estimation, nonparametric regression estimation, categorical data smoothing, and applications of smoothing to other areas of statistics. It will thus be of particular interest to data analysts, as arguments generally proceed from actual data rather than statistical theory, while the "Background Material" sections will interest statisticians studying the field. Over 750 references allow researchers to find the original sources for more details, and the "Computational Issues" sections provide sources for statistical software that use the methods discussed. Each chapter includes exercises with a heavily computational focus based upon the data sets used in the book, making it equally suitable as a textbook for a course in smoothing.
Contents......Page 9
Preface......Page 6
1.1 Smoothing Methods: a Nonparametric/Parametric Compromise......Page 11
1.2 Uses of Smoothing Methods......Page 18
1.3 Outline of the Chapters......Page 20
Computational issues......Page 21
Exercises......Page 22
2.1 The Histogram......Page 23
2.2 The Frequency Polygon......Page 30
2.3 Varying the Bin Width......Page 32
2.4 The Effectiveness of Simple Density Estimators......Page 36
Background material......Page 39
Computational issues......Page 46
Exercises......Page 47
3.1 Kernel Density Estimation......Page 49
3 2 Problems with Kernel Density Estimation......Page 58
3.3 Adjustments and Improvements to Kernel Density Estimation......Page 62
3.4 Local Likelihood Estimation......Page 73
3.5 Roughness Penalty and Spline-Based Methods......Page 76
3.6 Comparison of Univariate Density Estimators......Page 79
Background material......Page 81
Computational issues......Page 101
Exercises......Page 103
4.1 Simple Density Estimation Methods......Page 105
4.2 Kernel Density Estimation......Page 111
4.3 Other Estimators......Page 120
4.4 Dimension Reduction and Projection Pursuit......Page 126
4 5 The State of Multivariate Density Estimation......Page 130
Background material......Page 132
Computational issues......Page 140
Exercises......Page 141
5.1 Scatter Plot Smoothing and Kernel Regression......Page 143
5.2 Local Polynomial Regression......Page 147
5.3 Bandwidth Selection......Page 160
5 4 Locally Varying the Bandwidth......Page 163
5 5 Outliers and Autocorrelation......Page 169
5.6 Spline Smoothing......Page 177
5.1 Multiple Predictors and Additive Models......Page 187
5 8 Comparing Nonparametric Regression Methods......Page 199
Background material......Page 200
Computational issues......Page 219
Exercises......Page 221
6.1 Smoothing and Ordered Categorical Data......Page 224
6.2 Smoothing Sparse Multinomials......Page 226
6.3 Smoothing Sparse Contingency Tables......Page 235
6.4 Categorical Data, Regression, and Density Estimation......Page 245
Background material......Page 252
Exercises......Page 259
7.1 Discriminant Analysis......Page 261
7.2 Goodness-of-Fit Tests......Page 267
7.3 Smoothing-Based Parametric Estimation......Page 270
7.4 The Smoothed Bootstrap......Page 275
Background material......Page 277
Exercises......Page 282
A. Descriptions of the Data Sets......Page 284
B. More on Computational Issues......Page 297
References......Page 299
Author Index......Page 330
Subject Index......Page 338