دانلود کتاب Nonparametric Regression Methods for Longitudinal Data Analysis: Mixed-Effects Modeling Approaches

ترجمه فارسی توضیحات (ترجمه ماشینی)

روش‌های رگرسیون ناپارامتری برای تجزیه و تحلیل داده‌های طولی: رویکردهای مدل‌سازی اثرات مختلط

تکنیک‌های مدل‌سازی با اثرات مختلط را برای روش‌های قدرتمندتر و کارآمدتر ترکیب می‌کند. این کتاب تکنیک‌های رگرسیون ناپارامتریک فعلی و مؤثر را برای تجزیه و تحلیل داده‌های طولی ارائه می‌کند و به طور سیستماتیک ادغام تکنیک‌های مدل‌سازی با اثرات مختلط را در مدل‌های رگرسیون ناپارامتریک مختلف بررسی می‌کند. نویسندگان بر ایده‌های مدل‌سازی و روش‌شناسی استنباط تأکید می‌کنند، اگرچه برخی از نتایج نظری برای توجیه روش‌های پیشنهادی ارائه شده‌اند. متن با ساختار و سازماندهی منطقی خود، که از اصول اولیه شروع می‌شود، پایه‌های مورد نیاز برای تسلط بر اصول و کاربردهای پیشرفته را ایجاد می‌کند. پس از یک بررسی اجمالی، نمونه‌های داده‌ای از مطالعات تحقیقاتی زیست‌پزشکی ارائه می‌شوند و به نیاز به رویکردهای تحلیل رگرسیون ناپارامتریک اشاره می‌کنند. در مرحله بعد، نویسندگان مدل‌های اثرات مختلط و مدل‌های رگرسیون ناپارامتری را بررسی می‌کنند، که دو بلوک ساختمانی کلیدی تکنیک‌های مدل‌سازی پیشنهادی هستند. بخش اصلی کتاب شامل چهار فصل است که به روش‌های رگرسیون ناپارامتریک اصلی اختصاص داده شده است: چند جمله‌ای محلی، خط رگرسیون. ، اسپلاین صاف کننده و اسپلاین جریمه شده. دو فصل بعدی این تکنیک‌های مدل‌سازی را به مدل‌های نیمه پارامتریک و ضرایب متغیر زمانی برای تجزیه و تحلیل داده‌های طولی گسترش می‌دهند. فصل آخر به بررسی مدل‌سازی و تحلیل داده‌های طولی گسسته می‌پردازد. هر فصل با خلاصه‌ای به پایان می‌رسد که نکات کلیدی را برجسته می‌کند و همچنین یادداشت‌های کتاب‌شناختی را ارائه می‌دهد که به منابع اضافی برای مطالعه بیشتر اشاره می‌کند. نمونه هایی از تجزیه و تحلیل داده ها از تحقیقات زیست پزشکی برای نشان دادن روش های موجود در سراسر کتاب استفاده می شود. شواهد فنی در ضمیمه های جداگانه ارائه شده است. این کتاب با تمرکز بر حل مسائل، یک کتاب درسی عالی برای دوره های سطح بالا در مقطع کارشناسی و کارشناسی ارشد در تجزیه و تحلیل داده های طولی است. . همچنین به عنوان مرجعی برای آماردانان زیستی و سایر آماردانان تحقیقات نظری و کاربردی با علاقه مندی به تجزیه و تحلیل داده های طولی توصیه می شود. نه تنها خوانندگان درکی از اصول روش‌های رگرسیون ناپارامتریک مختلف به دست می‌آورند، بلکه به درک عملی از نحوه استفاده از روش‌ها برای مقابله با مشکلات دنیای واقعی نیز دست می‌یابند.

Nonparametric Regression Methods for Longitudinal Data Analysis: Mixed-Effects Modeling Approaches

Incorporates mixed-effects modeling techniques for more powerful and efficient methodsThis book presents current and effective nonparametric regression techniques for longitudinal data analysis and systematically investigates the incorporation of mixed-effects modeling techniques into various nonparametric regression models. The authors emphasize modeling ideas and inference methodologies, although some theoretical results for the justification of the proposed methods are presented.With its logical structure and organization, beginning with basic principles, the text develops the foundation needed to master advanced principles and applications. Following a brief overview, data examples from biomedical research studies are presented and point to the need for nonparametric regression analysis approaches. Next, the authors review mixed-effects models and nonparametric regression models, which are the two key building blocks of the proposed modeling techniques.The core section of the book consists of four chapters dedicated to the major nonparametric regression methods: local polynomial, regression spline, smoothing spline, and penalized spline. The next two chapters extend these modeling techniques to semiparametric and time varying coefficient models for longitudinal data analysis. The final chapter examines discrete longitudinal data modeling and analysis.Each chapter concludes with a summary that highlights key points and also provides bibliographic notes that point to additional sources for further study. Examples of data analysis from biomedical research are used to illustrate the methodologies contained throughout the book.Technical proofs are presented in separate appendices.With its focus on solving problems, this is an excellent textbook for upper-level undergraduate and graduate courses in longitudinal data analysis. It is also recommended as a reference for biostatisticians and other theoretical and applied research statisticians with an interest in longitudinal data analysis. Not only do readers gain an understanding of the principles of various nonparametric regression methods, but they also gain a practical understanding of how to use the methods to tackle real-world problems.