دانلود کتاب Applying Generalized Linear Models

ترجمه فارسی توضیحات (ترجمه ماشینی)

استفاده از مدل های خطی تعمیم یافته

این کتاب توضیح می‌دهد که چگونه می‌توان از روش‌های مدل‌سازی خطی تعمیم‌یافته برای مدل‌سازی آماری در بسیاری از زمینه‌های مختلف، بدون گم شدن در مشکلات استنتاج آماری استفاده کرد. بسیاری از دانش‌آموزان، حتی در دوره‌های آمار نسبتاً پیشرفته، دید کلی ندارند که به موجب آن بتوانند ببینند که سه حوزه، مدل‌های طبقه‌بندی نرمال خطی و مدل‌های بقا، اشتراکات زیادی دارند. نویسنده وحدت بسیاری از مدل‌های متداول را نشان می‌دهد و طعم بسیاری از حوزه‌های مختلف مانند مدل‌های بقا، سری‌های زمانی و تحلیل فضایی و وحدت آنها را در اختیار خواننده قرار می‌دهد. این کتاب باید برای آماردانان کاربردی و دانشمندانی که مبنایی اساسی در آمار مدرن دارند جذاب باشد. با تمرین‌های فراوان در انتهای فصل‌ها، باید متنی عالی برای آموزش کاربردهای اساسی مدل‌سازی آماری به دانشجویان آمار کاربردی و رشته‌های غیرآماری باشد. فرض بر این است که خواننده از اصول اولیه آماری آگاهی دارد! خواه از نقطه نظر بیزی، مکرر یا احتمال مستقیم، حداقل با تحلیل مدل های خطی نرمال ساده تر، رگرسیون و ANOVA آشنا هستند.

Applying Generalized Linear Models

This book describes how generalized linear modelling procedures can be used for statistical modelling in many different fields, without becoming lost in problems of statistical inference. Many student, even in relatively advanced statistics courses, do not have an overview whereby they can see that the three areas, linear normal categorical, and survival models, have much in common. The author shows the unity of many of the commonly used models and provides the reader with a taste of many different areas, such as survival models, time series, and spatial analysis, and of their unity. This book should appeal to applied statisticians and to scientists having a basic grounding in modern statistics. With the many exercises at the end of the chapters, it should constitute an excellent text for teaching applied statistics students and non- statistics majors the fundamental uses of statistical modelling. The reader is assumed to have knowledge of basic statistical princi! ples, whether from a Bayesian, frequentist, or direct likelihood point of view, being familiar at least with the analysis of the simpler normal linear models, regression and ANOVA.