دانلود کتاب Modelling Longitudinal Data

ترجمه فارسی توضیحات (ترجمه ماشینی)

مدل سازی داده های طولی

داده های طولی در سراسر پزشکی، بهداشت عمومی، سیاست عمومی، روانشناسی، علوم سیاسی، زیست شناسی، جامعه شناسی و آموزش در همه جا وجود دارند، با این حال بسیاری از مجموعه داده های طولی به طور نادرست تجزیه و تحلیل می شوند. این کتاب هنر و علم آماری تحلیل داده های طولی مدرن را آموزش می دهد. نویسنده بر مشخص کردن، درک و تفسیر مدل های داده های طولی تاکید دارد. ما داده های طولی را به صورت گرافیکی بررسی می کنیم، روند زمانی و متغیرهای کمکی را تجزیه و تحلیل می کنیم، ماتریس کوواریانس را مدل می کنیم و سپس نتیجه می گیریم. نمایشگاه‌های طولانی‌تر مقدمه و نقد تحلیل‌های غیرطولی ساده داده‌های طولی، مفاهیم داده‌های گمشده، تشخیص‌ها و مدل‌سازی همزمان دو متغیر طولی را بررسی می‌کنند. برنامه‌ها و مسائل مربوط به مدل‌های اثرات تصادفی تخمین، انقباض، داده‌های خوشه‌ای، مدل‌های داده‌های باینری و شمارش و باقیمانده‌ها و نمودارهای باقی‌مانده را پوشش می‌دهند. بخش‌های کوتاه‌تر شامل یک بحث کلی درباره نحوه کار الگوریتم‌های محاسباتی، مدیریت داده‌های تبدیل‌شده، و مسائل طراحی اولیه است. این کتاب به یک دوره رگرسیون جامد به عنوان پیش‌زمینه نیاز دارد و به‌ویژه برای سال آخر برنامه درسی کارشناسی ارشد آمار زیستی یا آمار در نظر گرفته شده است. پیش نیاز ریاضی به طور کلی کم است، عمدتاً با فرض آشنایی با تحلیل رگرسیون به صورت ماتریس. دانشجویان دکترای آمار زیستی یا آمار، محققان کاربردی و دانشجویان دکترای کمی در رشته هایی مانند پزشکی، بهداشت عمومی، سیاست عمومی، روانشناسی، علوم سیاسی، زیست شناسی، جامعه شناسی و آموزش این کتاب را ارزشمند خواهند یافت. این کتاب دارای شکل‌ها و جداول زیادی است که داده‌های طولی و مشکلات متعدد تکالیف را نشان می‌دهد. وب‌سایت مرتبط شامل مجموعه‌های داده‌های طولی، نمونه‌هایی از کدهای کامپیوتری، و آزمایشگاه‌هایی برای تقویت مجدد مطالب است. رابرت وایس، استاد آمار زیستی در دانشکده بهداشت عمومی UCLA با مدرک دکترا است. در آمار از دانشگاه مینه سوتا. او متخصص در تجزیه و تحلیل داده های طولی، تشخیص و گرافیک و روش های بیزی است و در مدل سازی مجموعه داده های سلسله مراتبی و پیچیده تخصص دارد. او بیش از 50 مقاله منتشر کرده است که اکثر آنها شامل داده های طولی است. او به طور منظم کلاس هایی را در زمینه تجزیه و تحلیل داده های طولی، تحلیل چند متغیره، استنتاج بیزی و گرافیک آماری تدریس می کند.

Modelling Longitudinal Data

Longitudinal data are ubiquitous across Medicine, Public Health, Public Policy, Psychology, Political Science, Biology, Sociology and Education, yet many longitudinal data sets remain improperly analyzed. This book teaches the art and statistical science of modern longitudinal data analysis. The author emphasizes specifying, understanding, and interpreting longitudinal data models. We inspect the longitudinal data graphically, analyze the time trend and covariates, model the covariance matrix, and then draw conclusions.Covariance models covered include random effects, autoregressive, autoregressive moving average, antedependence, factor analytic, and completely unstructured models among others. Longer expositions explore an introduction to and critique of simple non-longitudinal analyses of longitudinal data, missing data concepts, diagnostics, and simultaneous modeling of two longitudinal variables. Applications and issues for random effects models cover estimation, shrinkage, clustered data, models for binary and count data and residuals and residual plots. Shorter sections include a general discussion of how computational algorithms work, handling transformed data, and basic design issues.This book requires a solid regression course as background and is particularly intended for the final year of a Biostatistics or Statistics Masters degree curriculum. The mathematical prerequisite is generally low, mainly assuming familiarity with regression analysis in matrix form. Doctoral students in Biostatistics or Statistics, applied researchers and quantitative doctoral students in disciplines such as Medicine, Public Health, Public Policy, Psychology, Political Science, Biology,Sociology and Education will find this book invaluable. The book has many figures and tables illustrating longitudinal data and numerous homework problems. The associated web site contains many longitudinal data sets, examples of computer code, and labs to re-enforce the material.Robert Weiss is Professor of Biostatistics in the UCLA School of Public Health with a Ph.D. in Statistics from the University of Minnesota. He is expert in longitudinal data analysis, diagnostics and graphics, and Bayesian methods, and specializes in modeling of hierarchical and complex data sets. He has published over 50 papers a majority of which involves longitudinal data. He regularly teaches classes in longitudinal data analysis, multivariate analysis, Bayesian inference, and statistical graphics.