دانلود کتاب Statistical inference based on divergence measures

ترجمه فارسی توضیحات (ترجمه ماشینی)

استنباط آماری بر اساس معیارهای واگرایی

ایده استفاده از توابع نظریه اطلاعات، مانند آنتروپی یا واگرایی، در استنتاج آماری جدید نیست. با این حال، علیرغم این واقعیت که آمار واگرایی جایگزین بسیار خوبی برای آزمون نسبت درستنمایی کلاسیک و آماره نوع پیرسون در مدل‌های گسسته شده است، بسیاری از آماردانان از این رویکرد قدرتمند بی‌اطلاع هستند. استنتاج آماری بر اساس معیارهای واگرایی، مشکلات کلاسیک استنتاج آماری، مانند تخمین و آزمون فرضیه‌ها را بر اساس معیارهای آنتروپی و واگرایی بررسی می‌کند. دو فصل اول، از منظر آماری، مروری بر مهم‌ترین معیارهای آنتروپی و واگرایی را تشکیل می‌دهند و خواص آنها را مطالعه می‌کنند. نویسنده سپس تجزیه و تحلیل آماری داده‌های چند متغیره گسسته را با تاکید بر مشکلات در جداول احتمالی و مدل‌های خطی با استفاده از آمار آزمون واگرایی فی و همچنین برآوردگرهای حداقل واگرایی فی بررسی می‌کند. فصل آخر به آزمایش در جمعیت‌های عمومی می‌پردازد، و امکان جالب معرفی آمار آزمون جایگزین برای نمونه‌های کلاسیک مانند Wald، Rao و نسبت احتمال را ارائه می‌دهد. هر فصل با تمرین هایی به پایان می رسد که نتایج نظری را روشن می کند و نتایج اضافی را ارائه می دهد که مکمل بحث های اصلی است. واضح، جامع و منطقی توسعه یافته، این کتاب فرصتی منحصر به فرد برای به دست آوردن دیدگاه جدیدی در مورد برخی از مسائل آمار استاندارد، بلکه ابزارهایی برای به کارگیری آن ارائه می دهد.

Statistical inference based on divergence measures

The idea of using functionals of Information Theory, such as entropies or divergences, in statistical inference is not new. However, in spite of the fact that divergence statistics have become a very good alternative to the classical likelihood ratio test and the Pearson-type statistic in discrete models, many statisticians remain unaware of this powerful approach. Statistical Inference Based on Divergence Measures explores classical problems of statistical inference, such as estimation and hypothesis testing, on the basis of measures of entropy and divergence. The first two chapters form an overview, from a statistical perspective, of the most important measures of entropy and divergence and study their properties. The author then examines the statistical analysis of discrete multivariate data with emphasis is on problems in contingency tables and loglinear models using phi-divergence test statistics as well as minimum phi-divergence estimators. The final chapter looks at testing in general populations, presenting the interesting possibility of introducing alternative test statistics to classical ones like Wald, Rao, and likelihood ratio. Each chapter concludes with exercises that clarify the theoretical results and present additional results that complement the main discussions. Clear, comprehensive, and logically developed, this book offers a unique opportunity to gain not only a new perspective on some standard statistics problems, but the tools to put it into practice.