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: 1
نویسندگان: Bodo Winter
سری:
ISBN (شابک) : 2019029350, 9781138056091
ناشر: Routledge
سال نشر: 2020
تعداد صفحات: 327
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 47 مگابایت
در صورت تبدیل فایل کتاب Statistics for Linguists: An Introduction Using R 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 گروه تیلور و فرانسیس آمار برای زبان شناسان: مقدمه ای با استفاده از R 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.
Statistics for Linguists: An Introduction Using R اولین کتاب درسی آمار در مورد مدل های خطی برای زبان شناسی است. این کتاب استفادههای ساده از مدلهای خطی را از طریق مدلهای تعمیمیافته به رویکردهای پیشرفتهتر پوشش میدهد و تمرکز خود را بر مسائل مفهومی حفظ میکند و از جزئیات بیش از حد ریاضی اجتناب میکند. این شامل بسیاری از مثال های کاربردی با استفاده از محیط برنامه نویسی آماری R است. این متن که با لحن و سبکی در دسترس نوشته شده است، منبع اصلی ایدهآل برای دانشجویان مقطع کارشناسی ارشد و پیشرفته دورههای آمار زبانشناسی و همچنین رشتههای دیگر، از جمله روانشناسی، علوم شناختی، و علوم داده است.
Statistics for Linguists: An Introduction Using R is the first statistics textbook on linear models for linguistics. The book covers simple uses of linear models through generalized models to more advanced approaches, maintaining its focus on conceptual issues and avoiding excessive mathematical details. It contains many applied examples using the R statistical programming environment. Written in an accessible tone and style, this text is the ideal main resource for graduate and advanced undergraduate students of Linguistics statistics courses as well as those in other fields, including Psychology, Cognitive Science, and Data Science.
Cover Half Title Title Copyright Contents Acknowledgments 0. Preface: Approach and How to Use This Book 0.1. Strategy of the Book 0.2. Why R? 0.3. Why the Tidyverse? 0.4. R Packages Required for This Book 0.5. What This Book Is Not 0.6. How to Use This Book 0.7. Information for Teachers 1 Introduction to R 1.1. Introduction 1.2. Baby Steps: Simple Math with R 1.3. Your First R Script 1.4. Assigning Variables 1.5. Numeric Vectors 1.6. Indexing 1.7. Logical Vectors 1.8. Character Vectors 1.9. Factor Vectors 1.10. Data Frames 1.11. Loading in Files 1.12. Plotting 1.13. Installing, Loading, and Citing Packages 1.14. Seeking Help 1.15. A Note on Keyboard Shortcuts 1.16. Your R Journey: The Road Ahead 2 The Tidyverse and Reproducible R Workflows 2.1. Introduction 2.2. tibble and readr 2.3. dplyr 2.4. ggplot2 2.5. Piping with magrittr 2.6. A More Extensive Example: Iconicity and the Senses 2.7. R Markdown 2.8. Folder Structure for Analysis Projects 2.9. Readme Files and More Markdown 2.10. Open and Reproducible Research 3 Descriptive Statistics, Models, and Distributions 3.1. Models 3.2. Distributions 3.3. The Normal Distribution 3.4. Thinking of the Mean as a Model 3.5. Other Summary Statistics: Median and Range 3.6. Boxplots and the Interquartile Range 3.7. Summary Statistics in R 3.8. Exploring the Emotional Valence Ratings 3.9. Chapter Conclusions 4 Introduction to the Linear Model: Simple Linear Regression 4.1. Word Frequency Effects 4.2. Intercepts and Slopes 4.3. Fitted Values and Residuals 4.4. Assumptions: Normality and Constant Variance 4.5. Measuring Model Fit with R2 4.6. A Simple Linear Model in R 4.7. Linear Models with Tidyverse Functions 4.8. Model Formula Notation: Intercept Placeholders 4.9. Chapter Conclusions 5 Correlation, Linear, and Nonlinear Transformations 5.1. Centering 5.2. Standardizing 5.3. Correlation 5.4. Using Logarithms to Describe Magnitudes 5.5. Example: Response Durations and Word Frequency 5.6. Centering and Standardization in R 5.7. Terminological Note on the Term ‘Normalizing’ 5.8. Chapter Conclusions 6 Multiple Regression 6.1. Regression with More Than One Predictor 6.2. Multiple Regression with Standardized Coefficients 6.3. Assessing Assumptions 6.4. Collinearity 6.5. Adjusted R2 6.6. Chapter Conclusions 7 Categorical Predictors 7.1. Introduction 7.2. Modeling the Emotional Valence of Taste and Smell Words 7.3. Processing the Taste and Smell Data 7.4. Treatment Coding in R 7.5. Doing Dummy Coding ‘By Hand’ 7.6. Changing the Reference Level 7.7. Sum-coding in R 7.8. Categorical Predictors with More Than Two Levels 7.9. Assumptions Again 7.10. Other Coding Schemes 7.11. Chapter Conclusions 8 Interactions and Nonlinear Effects 8.1. Introduction 8.2. Categorical * Continuous Interactions 8.3. Categorical * Categorical Interactions 8.4. Continuous * Continuous Interactions 8.5. Nonlinear Effects 8.6. Higher-Order Interactions 8.7. Chapter Conclusions 9 Inferential Statistics 1: Significance Testing 9.1. Introduction 9.2. Effect Size: Cohen’s d 9.3. Cohen’s d in R 9.4. Standard Errors and Confidence Intervals 9.5. Null Hypotheses 9.6. Using t to Measure the Incompatibility with the Null Hypothesis 9.7. Using the t-Distribution to Compute p-Values 9.8. Chapter Conclusions 10 Inferential Statistics 2: Issues in Significance Testing 10.1. Common Misinterpretations of p-Values 10.2. Statistical Power and Type I, II, M, and S Errors 10.3. Multiple Testing 10.4. Stopping rules 10.5. Chapter Conclusions 11 Inferential Statistics 3: Significance Testing in a Regression Context 11.1. Introduction 11.2. Standard Errors and Confidence Intervals for Regression Coefficients 11.3. Significance Tests with Multilevel Categorical Predictors 11.4. Another Example: The Absolute Valence of Taste and Smell Words 11.5. Communicating Uncertainty for Categorical Predictors 11.6. Communicating Uncertainty for Continuous Predictors 11.7. Chapter Conclusions 12 Generalized Linear Models 1: Logistic Regression 12.1. Motivating Generalized Linear Models 12.2. Theoretical Background: Data-Generating Processes 12.3. The Log Odds Function and Interpreting Logits 12.4. Speech Errors and Blood Alcohol Concentration 12.5. Predicting the Dative Alternation 12.6. Analyzing Gesture Perception 12.7. Chapter Conclusions 13 Generalized Linear Models 2: Poisson Regression 13.1. Motivating Poisson Regression 13.2. The Poisson Distribution 13.3. Analyzing Linguistic Diversity Using Poisson Regression 13.4. Adding Exposure Variables 13.5. Negative Binomial Regression for Overdispersed Count Data 13.6. Overview and Summary of the Generalized Linear Model Framework 13.7. Chapter Conclusions 14 Mixed Models 1: Conceptual Introduction 14.1. Introduction 14.2. The Independence Assumption 14.3. Dealing with Non-independence via Experimental Design and Averaging 14.4. Mixed Models: Varying Intercepts and Varying Slopes 14.5. More on Varying Intercepts and Varying Slopes 14.6. Interpreting Random Effects and Random Effect Correlations 14.7. Specifying Mixed Effects Models: lme4 syntax 14.8. Reasoning About Your Mixed Model: The Importance of Varying Slopes 14.9. Chapter Conclusions 15 Mixed Models 2: Extended Example, Significance Testing, Convergence Issues 15.1. Introduction 15.2. Simulating Vowel Durations for a Mixed Model Analysis 15.3. Analyzing the Simulated Vowel Durations with Mixed Models 15.4. Extracting Information out of lme4 Objects 15.5. Messing up the Model 15.6. Likelihood Ratio Tests 15.7. Remaining Issues 15.8. Mixed Logistic Regression: Ugly Selfies 15.9. Shrinkage and Individual Differences 15.10. Chapter Conclusions 16 Outlook and Strategies for Model Building 16.1. What You Have Learned So Far 16.2. Model Choice 16.3. The Cookbook Approach 16.4. Stepwise Regression 16.5. A Plea for Subjective and Theory-Driven Statistical Modeling 16.6. Reproducible Research 16.7. Closing Words References Appendix A. Correspondences Between Significance Tests and Linear Models A1. t-Tests A2. Tests for Categorical Data A3. Other Tests Appendix B. Reading Recommendations B1. Book Recommendations B2. Article Recommendations B3. Staying Up-to-Date Index Index of R Functions