دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Statistics for Health Data Science: An Organic Approach
دانلود کتاب آمار برای علوم داده های بهداشتی: یک رویکرد ارگانیک
مشخصات کتاب
Statistics for Health Data Science: An Organic Approach
ویرایش: 1 نویسندگان: Ruth Etzioni, Micha Mandel, Roman Gulati سری: Springer Texts in Statistics ISBN (شابک) : 3030598888, 9783030598884 ناشر: Springer سال نشر: 2021 تعداد صفحات: 238 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 5 مگابایت
قیمت کتاب (تومان) : 28,000
در صورت تبدیل فایل کتاب Statistics for Health Data Science: An Organic Approach 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 آمار برای علوم داده های بهداشتی: یک رویکرد ارگانیک 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.
توضیحاتی در مورد کتاب آمار برای علوم داده های بهداشتی: یک رویکرد ارگانیک
دانشجویان و محققان علوم بهداشتی با فرصت ها و چالش های بزرگتری نسبت به گذشته مواجه هستند. این فرصت از انفجار در داده‌های در دسترس عموم ناشی می‌شود که به طور همزمان راه‌های جدید تحقیق را آگاه می‌کند و الهام می‌بخشد. چالش این است که ابزارهای تحلیلی مورد نیاز بسیار فراتر از روش‌ها و مدل‌های استاندارد آمار پایه هستند. این کتاب درسی با هدف تجهیز محققان مراقبت های بهداشتی به مهم ترین عناصر یک جعبه ابزار مدرن تجزیه و تحلیل سلامت، برگرفته از زمینه های آمار، اقتصاد سنجی سلامت و علم داده است. این کتاب درسی برای غلبه بر اضطراب دانش‌آموزان درباره داده‌ها و آمار و کمک به آنها برای تبدیل شدن به کاربران مطمئن از روش‌های تحلیلی مناسب برای مطالعات تحقیقاتی مراقبت‌های بهداشتی طراحی شده است. روش‌ها به صورت ارگانیک ارائه می‌شوند، با مواد جدید که به طور طبیعی بر روی آنچه قبلا آمده است، ساخته می‌شوند. انگیزه هر تکنیک یک سوال تحقیقی موضوعی است که با عبارات غیر فنی توضیح داده شده و همراه با توضیحات و مثال های جذاب است. به این ترتیب، نویسندگان یک درک عمیق ("ارگانیک") از طیف وسیعی از تکنیک های تحلیلی، مفروضات و الزامات داده، و مزایا و محدودیت های آنها را پرورش می دهند. آنها تمام درس‌ها را از طریق تجزیه و تحلیل داده‌های واقعی از انواع پایگاه‌های اطلاعاتی در دسترس عموم، پرداختن به سؤالات پژوهشی مرتبط و مقایسه یافته‌ها با یافته‌های مطالعات منتشر شده، نشان می‌دهند. در نهایت، این کتاب درسی برای پرورش پژوهشگران خدمات بهداشتی طراحی شده است که به جای تحلیلگران داده، متفکر و به خوبی از علم داده های سلامت آگاه هستند. این کتاب درسی در ترکیب منحصر به فرد روش‌ها و عزمش برای اطمینان از اینکه خوانندگان درک درستی از چگونگی، زمان و چرایی استفاده از آنها به دست می‌آورند، با رقبا متفاوت است. این روشی را برای پژوهشگر بهداشت عمومی فراهم می کند تا به طور تحلیلی در مورد سؤالات علمی فکر کند و راهنمایی های مستدلی برای جفت کردن داده ها با روش هایی برای تجزیه و تحلیل معتبر ارائه می دهد. خوانندگان باید برای مقابله با تجزیه و تحلیل مجموعه داده‌های عمومی واقعی با استفاده از مدل‌های آماری سنتی، روش‌های اقتصادسنجی سلامت، و حتی الگوریتم‌های پیش‌بینی، جرات داشته باشند.
توضیحاتی درمورد کتاب به خارجی
Students and researchers in the health sciences are faced with greater opportunity and challenge than ever before. The opportunity stems from the explosion in publicly available data that simultaneously informs and inspires new avenues of investigation. The challenge is that the analytic tools required go far beyond the standard methods and models of basic statistics. This textbook aims to equip health care researchers with the most important elements of a modern health analytics toolkit, drawing from the fields of statistics, health econometrics, and data science. This textbook is designed to overcome students’ anxiety about data and statistics and to help them to become confident users of appropriate analytic methods for health care research studies. Methods are presented organically, with new material building naturally on what has come before. Each technique is motivated by a topical research question, explained in non-technical terms, and accompanied by engaging explanations and examples. In this way, the authors cultivate a deep (“organic”) understanding of a range of analytic techniques, their assumptions and data requirements, and their advantages and limitations. They illustrate all lessons via analyses of real data from a variety of publicly available databases, addressing relevant research questions and comparing findings to those of published studies. Ultimately, this textbook is designed to cultivate health services researchers that are thoughtful and well informed about health data science, rather than data analysts. This textbook differs from the competition in its unique blend of methods and its determination to ensure that readers gain an understanding of how, when, and why to apply them. It provides the public health researcher with a way to think analytically about scientific questions, and it offers well-founded guidance for pairing data with methods for valid analysis. Readers should feel emboldened to tackle analysis of real public datasets using traditional statistical models, health econometrics methods, and even predictive algorithms.
فهرست مطالب
Preface Contents List of Figures List of Tables 1 Statistics and Health Data 1.1 Introduction 1.2 Statistics and Organic Statistics 1.3 Statistical Methods and Models 1.4 Health Care Data 1.4.1 Medical Claims 1.4.2 Medical Records 1.4.3 Health Surveys 1.4.4 Disease Registries 1.5 Outline of the Text 1.6 Software and Data References 2 Key Statistical Concepts 2.1 Samples and Populations 2.2 Statistics Basics 2.2.1 Random Variables 2.2.2 Dependent and Independent Variables 2.2.3 Statistical Distributions and Their Summaries 2.2.4 Parameters and Models 2.2.5 Estimation and Inference 2.2.6 Variation and Standard Error 2.2.7 Conditional and Marginal Means 2.2.8 Joint and Mixture Distributions 2.2.9 Variable Transformations 2.3 Common Statistical Distributions and Concepts 2.3.1 The Bernoulli and Binomial Distributions for Binary Outcomes 2.3.2 The Multinomial Distribution for Categorical Outcomes 2.3.3 The Poisson and Negative Binomial Distributions for Counts 2.3.4 The Normal Distribution for Continuous Outcomes 2.3.5 The Gamma and Lognormal Distributions for Right-Skewed Outcomes 2.4 Hypothesis Testing and Statistical Inference 2.5 Software and Data References 3 Regression Analysis 3.1 Introduction 3.2 Trends in Body Mass Index in the United States 3.3 Regression Overview 3.3.1 Regression to Quantify Association 3.3.2 Regression to Explain Variability 3.3.3 Regression to Estimate the Effect of an Intervention 3.3.4 Regression to Predict Outcomes 3.4 An Organic View of Regression 3.5 The Linear Regression Equation and Its Assumptions 3.6 Linear Regression Estimation and Interpretation 3.6.1 Estimation of the Regression Coefficients 3.6.2 Interpretation of the Regression Coefficients 3.6.3 Confounding 3.6.4 Moderation or Interaction 3.7 Model Selection and Hypothesis Testing 3.8 Checking Assumptions About the Random Part 3.9 Do I Have a Good Model? Goodness of Fit and Model Adequacy 3.10 Quantile Regression 3.11 Non-parametric Regression 3.12 Software and Data References 4 Binary and Categorical Outcomes 4.1 Introduction 4.2 Binary Outcomes 4.2.1 Two-Way Tables 4.3 Linear Regression with a Binary Outcome 4.4 Logistic Regression 4.5 Interpretation of a Logistic Regression 4.5.1 A Single Binary Covariate 4.5.2 The General Case 4.6 Interpretation on the Probability Scale 4.6.1 Estimating Probabilities 4.6.2 Marginal Effects 4.7 Model Building and Assessment 4.7.1 Model Comparison: AIC and BIC 4.7.2 Model Calibration: Hosmer–Lemeshow Test 4.7.3 Model Prediction: ROC and AUC 4.8 Multinomial Regression 4.8.1 An Extension of Logistic Regression 4.8.2 Marginal Effects 4.8.3 Ordered Multinomial Regression 4.9 Software and Data References 5 Count Outcomes 5.1 Count Outcomes 5.2 The Poisson Distribution 5.3 Two Count Data Regression Models 5.3.1 Modeling Health Care Utilization 5.3.2 Modeling Mortality in a Cancer Registry 5.4 Poisson Regression for Individual-Level Counts 5.4.1 A Note on Multiplicative Versus Additive Effects 5.4.2 Accounting for Exposure 5.5 Poisson Regression for Population Counts 5.6 Overdispersion, Negative Binomial, and Zero-Inflated Models 5.6.1 Negative Binomial Regression 5.6.2 Zero-Inflated Count Data Regression 5.7 Generalized Linear Models 5.8 Software and Data References 6 Health Care Costs 6.1 Defining and Measuring Health Care Costs 6.2 MEPS Data on Health Care Utilization and Costs 6.3 Log Cost Models and the Lognormal Distribution 6.4 Gamma Models for Right-Skewed Cost Outcomes 6.5 Including the Zeros: The Two-Part Model 6.6 Beyond Mean Costs 6.7 Software and Data References 7 Bootstrap Methods 7.1 Uncertainty and Inference in Statistical Models 7.2 The Bootstrap for Variance Estimation 7.3 Bootstrap Confidence Intervals 7.4 Hypothesis Testing 7.5 Summary 7.6 Software and Data References 8 Causal Inference 8.1 Introduction 8.2 Simpson's Paradox 8.3 Causal Graphs 8.3.1 Confounders 8.3.2 Mediators 8.3.3 Colliders 8.4 Building a Causal Graph 8.5 Estimating the Causal Effect 8.5.1 Stratifying 8.5.2 Matching 8.5.3 Weighting 8.6 Propensity Scores 8.7 Mediation Analysis 8.8 Potential Outcomes 8.9 Software and Data References 9 Survey Data Analysis 9.1 Introduction 9.2 Introduction to Health Surveys 9.3 National Health Surveys 9.4 Basic Elements of Survey Design 9.5 Stratified Sampling 9.5.1 Stratified Designs and Variance 9.5.2 Stratification and Weighting 9.6 Clustered Sampling 9.7 Variance Estimation and Weighting in Complex Surveys 9.8 Analyzing Survey Data: The Cost of Diabetesin the United States 9.9 Software and Data References 10 Prediction 10.1 Explaining Versus Predicting 10.2 Overfitting and the Bias-Variance Tradeoff 10.3 Evaluating Predictive Performance 10.4 Cross-Validation 10.5 Regularized Regression 10.5.1 The Age–BMI Example 10.5.2 Regularized Regression with Many Predictors: Hospitalization in MEPS 10.6 Tree-Based Methods 10.6.1 The Age–BMI Example 10.6.2 A Regression Tree with Many Predictors 10.6.3 Classification Trees 10.7 Ensemble Methods: Random Forests 10.8 Summary 10.9 Software and Data References Index
