Statistical analysis with measurement error or misclassification strategy, method and application

این رساله در مورد خطای اندازه‌گیری و طبقه‌بندی نادرست طیف گسترده‌ای از مشکلات را پوشش می‌دهد و بر ویژگی‌های منحصربه‌فرد در مدل‌سازی و تحلیل مشکلات ناشی از تحقیقات پزشکی و مطالعات اپیدمیولوژیک تأکید می‌کند. بسیاری از خطاهای اندازه‌گیری و مشکلات طبقه‌بندی اشتباه در زمینه‌های مختلف در طول سال‌ها و همچنین با طیف گسترده‌ای از داده‌ها، از جمله داده‌های تاریخچه رویداد (مانند داده‌های بقا و داده‌های رویداد مکرر)، داده‌های همبسته (مانند داده‌های طولی و داده‌های خوشه‌ای)، داده‌های رویداد چند حالته، و داده‌های ناشی از مطالعات مورد-شاهدی پرداخته شده‌اند. تجزیه و تحلیل آماری با خطای اندازه‌گیری یا طبقه‌بندی اشتباه: استراتژی، روش و کاربرد روش‌های مختلف را در یک متن واحد گرد هم می‌آورد و به‌روزرسانی پیشرفت‌های اخیر را برای تنظیمات مختلف ارائه می‌دهد. اثرات خطای اندازه‌گیری و استراتژی‌های مدیریت نادرست اندازه‌گیری برای مدل‌های مختلف در ترکیب با برنامه‌های کاربردی برای مشکلات خاص به دقت بررسی می‌شوند.
خوانندگان با پیشینه‌ها و اهداف متنوع می‌توانند از این متن استفاده کنند. آشنایی با روش‌های استنتاج - مانند احتمال و تخمین نظریه تابع - یا طرح‌های مدل‌سازی در تنظیمات مختلف - مانند تجزیه و تحلیل بقا و تجزیه و تحلیل داده‌های طولی - می‌تواند منجر به درک کامل مطالب شود، اما ضروری نیست زیرا هر فصل چارچوب‌های استنتاج اولیه و اطلاعات پس‌زمینه را در مورد یک موضوع جداگانه ارائه می‌کند تا دسترسی به مطالب را آسان کند. متن به شیوه‌ای منسجم و مستقل ارائه شده است و ماهیت روش‌های مدل‌سازی و استنتاج متداول را برجسته می‌کند.
این متن می‌تواند به عنوان یک کتاب مرجع برای محققان علاقه‌مند به روش‌شناسی آماری برای مدیریت داده‌ها با خطای اندازه‌گیری یا طبقه‌بندی اشتباه باشد. به عنوان یک کتاب درسی برای دانشجویان تحصیلات تکمیلی، به ویژه برای کسانی که در رشته آمار و آمار زیستی هستند. یا به عنوان کتابی برای آماردانان کاربردی که علاقه آنها بر تجزیه و تحلیل داده های آلوده به خطا متمرکز است.
گریس یی، استاد آمار و کرسی تحقیقات دانشگاه در دانشگاه واترلو است. او در سال 2010 برنده جایزه CRM-SSC است، افتخاری که به پاس قدردانی از دستاوردهای حرفه ای یک دانشمند آمار در تحقیقات در طی 15 سال اول پس از دریافت دکترا اعطا می شود. او عضو انجمن آمار آمریکا و عضو منتخب موسسه آمار بین المللی است.

This monograph on measurement error and misclassification covers a broad range of problems and emphasizes unique features in modeling and analyzing problems arising from medical research and epidemiological studies. Many measurement error and misclassification problems have been addressed in various fields over the years as well as with a wide spectrum of data, including event history data (such as survival data and recurrent event data), correlated data (such as longitudinal data and clustered data), multi-state event data, and data arising from case-control studies. Statistical Analysis with Measurement Error or Misclassification: Strategy, Method and Application brings together assorted methods in a single text and provides an update of recent developments for a variety of settings. Measurement error effects and strategies of handling mismeasurement for different models are closely examined in combination with applications to specific problems.
Readers with diverse backgrounds and objectives can utilize this text. Familiarity with inference methods—such as likelihood and estimating function theory—or modeling schemes in varying settings—such as survival analysis and longitudinal data analysis—can result in a full appreciation of the material, but it is not essential since each chapter provides basic inference frameworks and background information on an individual topic to ease the access of the material. The text is presented in a coherent and self-contained manner and highlights the essence of commonly used modeling and inference methods.
This text can serve as a reference book for researchers interested in statistical methodology for handling data with measurement error or misclassification; as a textbook for graduate students, especially for those majoring in statistics and biostatistics; or as a book for applied statisticians whose interest focuses on analysis of error-contaminated data.
Grace Y. Yi is Professor of Statistics and University Research Chair at the University of Waterloo. She is the 2010 winner of the CRM-SSC Prize, an honor awarded in recognition of a statistical scientist's professional accomplishments in research during the first 15 years after having received a doctorate. She is a Fellow of the American Statistical Association and an Elected Member of the International Statistical Institute.