دانلود کتاب Introduction to Linear Models and Statistical Inference

ترجمه فارسی توضیحات (ترجمه ماشینی)

مقدمه ای بر مدل های خطی و استنتاج آماری

رویکردی چند رشته‌ای که بر یادگیری از طریق تجزیه و تحلیل مجموعه‌های داده‌های دنیای واقعی تأکید می‌کند. این کتاب نتیجه تجربیات عملی نویسندگان در کلاس درس است و به گونه‌ای طراحی شده است که نشان دهد چگونه دانش‌آموزان به بهترین شکل تجزیه و تحلیل روابط خطی را یاد می‌گیرند. متن با معرفی چهار مثال ساده از مجموعه داده های واقعی آغاز می شود. این نمونه ها در سراسر متن توسعه و تحلیل می شوند و نمونه های پیچیده تری از مجموعه داده ها در طول مسیر معرفی می شوند. این کتاب با رویکردی چند رشته‌ای، نتایج تجزیه و تحلیل مجموعه داده‌های گرفته شده از زمین‌شناسی، زیست‌شناسی، اقتصاد، روان‌شناسی، آموزش، جامعه‌شناسی و علوم محیطی را دنبال می‌کند. هنگامی که دانش‌آموزان تجزیه و تحلیل مجموعه داده‌ها را یاد می‌گیرند، بر تکنیک‌های مدل‌سازی خطی پیچیده تسلط پیدا می‌کنند، از جمله: * مدل‌های خطی ساده * مدل‌های چند متغیره * ساخت مدل * تحلیل واریانس (ANOVA) * تحلیل کوواریانس (ANCOVA) * رگرسیون لجستیک * حداقل مربعات کل مبانی تجزیه و تحلیل آماری به ویژه در آزمایش مفروضات و استنتاج از مدل های خطی توسعه یافته و بر آن تأکید می شود. تمرین‌هایی در پایان هر فصل گنجانده شده است تا مهارت‌های دانش‌آموزان را قبل از رفتن به تکنیک‌ها و مدل‌های پیشرفته‌تر آزمایش کنند. این تمرین ها برای نشان دادن اینکه آیا به مهارت های حساب دیفرانسیل و انتگرال، جبر خطی یا کامپیوتر نیاز است علامت گذاری شده اند. بر خلاف سایر متون در این زمینه، ریاضیات زیربنایی مدل ها به دقت توضیح داده شده و برای دانش آموزانی که ممکن است هیچ پیش زمینه ای در حساب دیفرانسیل و انتگرال یا جبر خطی نداشته باشند، قابل دسترسی است. اکثر فصول شامل یک بخش پایانی اختیاری در جبر خطی برای دانش آموزانی است که علاقه مند به ایجاد درک عمیق تر هستند. مجموعه داده های زیادی که در متن ظاهر می شود در وب سایت کتاب موجود است. برنامه نرم افزار MINITAB(r) برای نشان دادن بسیاری از مثال ها استفاده می شود. برای دانش‌آموزانی که با MINITAB(r) آشنا نیستند، یک پیوست ویژگی‌های کلیدی مورد نیاز برای مطالعه مدل‌های خطی را معرفی می‌کند. با رویکرد چند رشته ای و استفاده از مجموعه داده های دنیای واقعی که موضوع را زنده می کند، این یک مقدمه عالی برای مدل های خطی برای دانش آموزان در هر یک از علوم طبیعی یا اجتماعی است.

Introduction to Linear Models and Statistical Inference

A multidisciplinary approach that emphasizes learning by analyzing real-world data sets This book is the result of the authors’ hands-on classroom experience and is tailored to reflect how students best learn to analyze linear relationships. The text begins with the introduction of four simple examples of actual data sets. These examples are developed and analyzed throughout the text, and more complicated examples of data sets are introduced along the way. Taking a multidisciplinary approach, the book traces the conclusion of the analyses of data sets taken from geology, biology, economics, psychology, education, sociology, and environmental science. As students learn to analyze the data sets, they master increasingly sophisticated linear modeling techniques, including: * Simple linear models * Multivariate models * Model building * Analysis of variance (ANOVA) * Analysis of covariance (ANCOVA) * Logistic regression * Total least squares The basics of statistical analysis are developed and emphasized, particularly in testing the assumptions and drawing inferences from linear models. Exercises are included at the end of each chapter to test students’ skills before moving on to more advanced techniques and models. These exercises are marked to indicate whether calculus, linear algebra, or computer skills are needed. Unlike other texts in the field, the mathematics underlying the models is carefully explained and accessible to students who may not have any background in calculus or linear algebra. Most chapters include an optional final section on linear algebra for students interested in developing a deeper understanding. The many data sets that appear in the text are available on the book’s Web site. The MINITAB(r) software program is used to illustrate many of the examples. For students unfamiliar with MINITAB(r), an appendix introduces the key features needed to study linear models. With its multidisciplinary approach and use of real-world data sets that bring the subject alive, this is an excellent introduction to linear models for students in any of the natural or social sciences.