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: Richard McElreath
سری:
ISBN (شابک) : 9781482253443
ناشر:
سال نشر:
تعداد صفحات: 0
زبان: English
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 7 مگابایت
در صورت تبدیل فایل کتاب Statistical Rethinking 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 بازاندیشی آماری 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.
بازاندیشی آماری: یک دوره بیزی با مثال هایی در R و Stan دانش و اعتماد خوانندگان را نسبت به مدل سازی آماری ایجاد می کند. این کتاب که نیاز به برنامهنویسی حتی جزئی را در آمارهای مبتنی بر مدل امروزی منعکس میکند، خوانندگان را وادار میکند تا محاسبات گام به گام را انجام دهند که معمولاً خودکار هستند. این رویکرد محاسباتی منحصربهفرد تضمین میکند که خوانندگان به اندازه کافی جزئیات را درک میکنند تا در کار مدلسازی خود انتخابها و تفسیرهای معقولی داشته باشند. این متن مدلهای چندسطحی خطی تعمیمیافته را از دیدگاه بیزی، با تکیه بر یک تفسیر منطقی ساده از احتمال بیزی و حداکثر آنتروپی ارائه میکند. از مبانی رگرسیون تا مدل های چند سطحی را پوشش می دهد. نویسنده همچنین خطای اندازهگیری، دادههای از دست رفته و مدلهای فرآیند گاوسی را برای خودهمبستگی فضایی و شبکه مورد بحث قرار میدهد. این کتاب با استفاده از مثالهای کامل کد R، پایهای عملی برای انجام استنتاج آماری فراهم میکند. این برنامه هم برای دانشجویان دکترا و هم برای متخصصان باتجربه در علوم طبیعی و اجتماعی طراحی شده است و آنها را برای مدلسازی آماری پیشرفتهتر یا تخصصیتر آماده میکند.
Statistical Rethinking: A Bayesian Course with Examples in R and Stan builds readers’ knowledge of and confidence in statistical modeling. Reflecting the need for even minor programming in today’s model-based statistics, the book pushes readers to perform step-by-step calculations that are usually automated. This unique computational approach ensures that readers understand enough of the details to make reasonable choices and interpretations in their own modeling work. The text presents generalized linear multilevel models from a Bayesian perspective, relying on a simple logical interpretation of Bayesian probability and maximum entropy. It covers from the basics of regression to multilevel models. The author also discusses measurement error, missing data, and Gaussian process models for spatial and network autocorrelation. By using complete R code examples throughout, this book provides a practical foundation for performing statistical inference. Designed for both PhD students and seasoned professionals in the natural and social sciences, it prepares them for more advanced or specialized statistical modeling.
Preface Audience Teaching strategy How to use this book Installing the rethinking R package Acknowledgments 1: The Golem of Prague 1.1. Statistical golems 1.2. Statistical rethinking 1.3. Three tools for golem engineering 1.4. Summary 2: Small Worlds and Large Worlds 2.1. The garden of forking data 2.2. Building a model 2.3. Components of the model 2.4. Making the model go 2.5. Summary 2.6. Practice 3: Sampling the Imaginary 3.1. Sampling from a grid-approximate posterior 3.2. Sampling to summarize 3.3. Sampling to simulate prediction 3.4. Summary 3.5. Practice 4: Linear Models 4.1. Why normal distributions are normal 4.2. A language for describing models 4.3. A Gaussian model of height 4.4. Adding a predictor 4.5. Polynomial regression 4.6. Summary 4.7. Practice 5: Multivariate Linear Models 5.1. Spurious association 5.2. Masked relationship 5.3. When adding variables hurts 5.4. Categorical variables 5.5. Ordinary least squares and lm 5.6. Summary 5.7. Practice 6: Overfitting, Regularization, and Information Criteria 6.1. The problem with parameters 6.2. Information theory and model performance 6.3. Regularization 6.4. Information criteria 6.5. Using information criteria 6.6. Summary 6.7. Practice 7: Interactions 7.1. Building an interaction 7.2. Symmetry of the linear interaction 7.3. Continuous interactions 7.4. Interactions in design formulas 7.5. Summary 7.6. Practice 8: Markov Chain Monte Carlo 8.1. Good King Markov and His island kingdom 8.2. Markov chain Monte Carlo 8.3. Easy HMC: map2stan 8.4. Care and feeding of your Markov chain 8.5. Summary 8.6. Practice 9: Big Entropy and the Generalized Linear Model 9.1. Maximum entropy 9.2. Generalized linear models 9.3. Maximum entropy priors 9.4. Summary 10: Counting and Classification 10.1. Binomial regression 10.2. Poisson regression 10.3. Other count regressions 10.4. Summary 10.5. Practice 11: Monsters and Mixtures 11.1. Ordered categorical outcomes 11.2. Zero-inflated outcomes 11.3. Over-dispersed outcomes 11.4. Summary 11.5. Practice 12: Multilevel Models 12.1. Example: Multilevel tadpoles 12.2. Varying effects and the underfitting/overfitting trade-off 12.3. More than one type of cluster 12.4. Multilevel posterior predictions 12.5. Summary 12.6. Practice 13: Adventures in Covariance 13.1. Varying slopes by construction 13.2. Example: Admission decisions and gender 13.3. Example: Cross-classified chimpanzees with varying slopes 13.4. Continuous categories and the Gaussian process 13.5. Summary 13.6. Practice 14: Missing Data and Other Opportunities 14.1. Measurement error 14.2. Missing data 14.3. Summary 14.4. Practice 15: Horoscopes Endnotes Chapter 1 Chapter 2 Chapter 3 Chapter 4 Chapter 5 Chapter 6 Chapter 7 Chapter 8 Chapter 9 Chapter 10 Chapter 11 Chapter 12 Chapter 13 Chapter 14 Chapter 15 Bibliography Citation index Topic index