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: 2.
نویسندگان: Richard Mcelreath
سری:
ISBN (شابک) : 036713991X, 9780367139919
ناشر: Taylor & Francis Ltd.
سال نشر: 2020
تعداد صفحات: 612
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 25 مگابایت
در صورت تبدیل فایل کتاب Statistical Rethinking: A Bayesian Course with Examples in R and STAN (Chapman & Hall/CRC Texts in Statistical Science) 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: دوره بیزی با مثال هایی در R و STAN (متن های چاپمن و هال/CRC در علوم 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: دوره بیزی با مثال هایی در R و Stan دانش و اعتماد شما را در استنتاج از داده ها ایجاد می کند. این کتاب که نیاز به اسکریپتنویسی را در آمارهای مبتنی بر مدل امروزی منعکس میکند، شما را به انجام محاسبات گام به گام که معمولاً خودکار هستند، سوق میدهد. این رویکرد محاسباتی منحصربهفرد تضمین میکند که شما به اندازه کافی از جزئیات را درک میکنید تا در کار مدلسازی خود، انتخابها و تفسیرهای منطقی داشته باشید.
متن استنتاج علی و مدلهای چندسطحی خطی تعمیمیافته را ارائه میکند. دیدگاه ساده بیزی که بر اساس نظریه اطلاعات و حداکثر آنتروپی است. مواد اصلی از اصول رگرسیون تا مدل های چند سطحی پیشرفته را شامل می شود. همچنین خطای اندازهگیری، دادههای از دست رفته، و مدلهای فرآیند گاوسی را برای آشفتگی فضایی و فیلوژنتیکی ارائه میدهد.
ویرایش دوم بر رویکرد نمودار غیر چرخهای جهتدار (DAG) برای استنتاج علّی، یکپارچهسازی تأکید میکند. DAG به نمونه های زیادی تبدیل می شود. نسخه جدید همچنین حاوی مطالب جدیدی در مورد طراحی توزیعهای قبلی، خطوط، پیشبینیکنندههای طبقهبندی شده، مدلهای روابط اجتماعی، اعتبارسنجی متقابل، نمونهگیری اهمیت، متغیرهای ابزاری و مونت کارلو همیلتونی است. با فصلی کاملاً جدید که فراتر از مدلسازی خطی تعمیمیافته است، پایان مییابد و نشان میدهد که چگونه مدلهای علمی خاص حوزه را میتوان در تحلیلهای آماری گنجاند.
ویژگیها.
Statistical Rethinking: A Bayesian Course with Examples in R and Stan builds your knowledge of and confidence in making inferences from data. Reflecting the need for scripting in today's model-based statistics, the book pushes you to perform step-by-step calculations that are usually automated. This unique computational approach ensures that you understand enough of the details to make reasonable choices and interpretations in your own modeling work.
The text presents causal inference and generalized linear multilevel models from a simple Bayesian perspective that builds on information theory and maximum entropy. The core material ranges from the basics of regression to advanced multilevel models. It also presents measurement error, missing data, and Gaussian process models for spatial and phylogenetic confounding.
The second edition emphasizes the directed acyclic graph (DAG) approach to causal inference, integrating DAGs into many examples. The new edition also contains new material on the design of prior distributions, splines, ordered categorical predictors, social relations models, cross-validation, importance sampling, instrumental variables, and Hamiltonian Monte Carlo. It ends with an entirely new chapter that goes beyond generalized linear modeling, showing how domain-specific scientific models can be built into statistical analyses.
Features
Cover Half Title Title Page Copyright Page Table of Contents Preface to The Second Edition Preface Audience Teaching Strategy How to Use this Book Installing the Rethinking R Package Acknowledgments Chapter 1: The Golem of Prague 1.1. Statistical Golems 1.2. Statistical Rethinking 1.3. Tools for Golem Engineering 1.4. Summary Chapter 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 Chapter 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 Chapter 4: Geocentric Models 4.1. Why Normal Distributions are Normal 4.2. A Language for Describing Models 4.3. Gaussian Model of Height 4.4. Linear Prediction 4.5. Curves from Lines 4.6. Summary 4.7. Practice Chapter 5: The Many Variables & The Spurious Waffles 5.1. Spurious Association 5.2. Masked Relationship 5.3. Categorical Variables 5.4. Summary 5.5. Practice Chapter 6: The Haunted Dag & The Causal Terror 6.1. Multicollinearity 6.2. Post-Treatment Bias 6.3. Collider Bias 6.4. Confronting Confounding 6.5. Summary 6.6. Practice Chapter 7: Ulysses\' Compass 7.1. The Problem with Parameters 7.2. Entropy and Accuracy 7.3. Golem Taming: Regularization 7.4. Predicting Predictive Accuracy 7.5. Model Comparison 7.6. Summary 7.7. Practice Chapter 8: Conditional Manatees 8.1. Building an Interaction 8.2. Symmetry of Interactions 8.3. Continuous Interactions 8.4. Summary 8.5. Practice Chapter 9: Markov Chain Monte Carlo 9.1. Good King Markov and His Island Kingdom 9.2. Metropolis Algorithms 9.3. Hamiltonian Monte Carlo 9.4. Easy HMC: ulam 9.5. Care and Feeding of Your Markov Chain 9.6. Summary 9.7. Practice Chapter 10: Big Entropy and the Generalized Linear Model 10.1. Maximum Entropy 10.2. Generalized Linear Models 10.3. Maximum Entropy Priors 10.4. Summary Chapter 11: God Spiked the Integers 11.1. Binomial Regression 11.2. Poisson Regression 11.3. Multinomial and Categorical Models 11.4. Summary 11.5. Practice Chapter 12: Monsters and Mixtures 12.1. Over-Dispersed Counts 12.2. Zero-Inflated Outcomes 12.3. Ordered Categorical Outcomes 12.4. Ordered Categorical Predictors 12.5. Summary 12.6. Practice Chapter 13: Models with Memory 13.1. Example: Multilevel Tadpoles 13.2. Varying Effects and the Underfitting/Overfitting Trade-Off 13.3. More than One Type of Cluster 13.4. Divergent Transitions and Non-Centered Priors 13.5. Multilevel Posterior Predictions 13.6. Summary 13.7. Practice Chapter 14: Adventures in Covariance 14.1. Varying Slopes by Construction 14.2. Advanced Varying Slopes 14.3. Instruments and Causal Designs 14.4. Social Relations as Correlated Varying Effects 14.5. Continuous Categories and the Gaussian Process 14.6. Summary 14.7. Practice Chapter 15: Missing Data and Other Opportunities 15.1. Measurement Error 15.2. Missing Data 15.3. Categorical Errors and Discrete Absences 15.4. Summary 15.5. Practice Chapter 16: Generalized Linear Madness 16.1. Geometric People 16.2. Hidden Minds and Observed Behavior 16.3. Ordinary Differential Nut Cracking 16.4. Population Dynamics 16.5. Summary 16.6. Practice Chapter 17: Horoscopes Endnotes Bibliography Citation Index Topic Index