دانلود کتاب Structural Equation Modeling: A Bayesian Approach

ترجمه فارسی توضیحات (ترجمه ماشینی)

مدل سازی معادلات ساختاری: یک رویکرد بیزی

مدل‌سازی معادلات ساختاری (SEM) یک روش چند متغیره قدرتمند است که امکان ارزیابی یک سری فرضیه‌های همزمان در مورد تأثیر متغیرهای پنهان و آشکار بر سایر متغیرها را با در نظر گرفتن خطاهای اندازه‌گیری فراهم می‌کند. با افزایش محبوبیت SEM در سال های اخیر، مدل ها و روش های آماری جدیدی برای تجزیه و تحلیل دقیق تر داده های پیچیده تر توسعه یافته اند. یک رویکرد بیزی برای SEMها امکان استفاده از اطلاعات قبلی را که منجر به تخمین پارامترهای بهبود یافته، تخمین‌های متغیر پنهان و آمار برای مقایسه مدل می‌شود، و همچنین ارائه نتایج مطمئن‌تر برای نمونه‌های کوچک‌تر را می‌دهد. انتخاب توزیع های قبلی و افزایش داده ها، و یک نمای کلی از پیشرفت های اخیر موضوع ارائه می دهد. * نحوه استفاده از ابزارهای محاسباتی آماری قدرتمند، از جمله نمونه‌گر گیبس، الگوریتم متروپلیس-هستینگ، نمونه‌برداری پل و نمونه‌برداری مسیر برای به دست آوردن نتایج بیزی را نشان می‌دهد. * عامل بیز و معیار اطلاعات انحراف (DIC) را برای مقایسه مدل مورد بحث قرار می دهد. * شامل پوشش مدل های پیچیده، از جمله SEM با متغیرهای طبقه بندی شده، و متغیرهای دوگانه، SEM های غیرخطی، SEM های دو سطحی، SEM های چند نمونه ای، مخلوط های SEM، SEM با داده های گمشده، SEM با متغیرهایی از یک خانواده نمایی از توزیع ها، و برخی از ترکیبات آنها * روش شناسی را از طریق مطالعات شبیه سازی و مثال هایی با داده های واقعی از مدیریت کسب و کار، آموزش، روانشناسی، بهداشت عمومی و جامعه شناسی نشان می دهد. * کاربرد نرم افزار رایگان موجود WinBUGS را از طریق وب سایت تکمیلی حاوی کدهای کامپیوتری و مجموعه داده ها نشان می دهد. مدل‌سازی معادلات ساختاری: رویکرد بیزی متنی چند رشته‌ای ایده‌آل برای محققان و دانشجویان در بسیاری از زمینه‌ها از جمله: آمار، آمار زیستی، تجارت، آموزش، پزشکی، روان‌شناسی، بهداشت عمومی و علوم اجتماعی است.

Structural Equation Modeling: A Bayesian Approach

Structural equation modeling (SEM) is a powerful multivariate method allowing the evaluation of a series of simultaneous hypotheses about the impacts of latent and manifest variables on other variables, taking measurement errors into account. As SEMs have grown in popularity in recent years, new models and statistical methods have been developed for more accurate analysis of more complex data. A Bayesian approach to SEMs allows the use of prior information resulting in improved parameter estimates, latent variable estimates, and statistics for model comparison, as well as offering more reliable results for smaller samples.Structural Equation Modeling introduces the Bayesian approach to SEMs, including the selection of prior distributions and data augmentation, and offers an overview of the subject’s recent advances. * Demonstrates how to utilize powerful statistical computing tools, including the Gibbs sampler, the Metropolis-Hasting algorithm, bridge sampling and path sampling to obtain the Bayesian results. * Discusses the Bayes factor and Deviance Information Criterion (DIC) for model comparison. * Includes coverage of complex models, including SEMs with ordered categorical variables, and dichotomous variables, nonlinear SEMs, two-level SEMs, multisample SEMs, mixtures of SEMs, SEMs with missing data, SEMs with variables from an exponential family of distributions, and some of their combinations. * Illustrates the methodology through simulation studies and examples with real data from business management, education, psychology, public health and sociology. * Demonstrates the application of the freely available software WinBUGS via asupplementary website featuring computer code and data sets. Structural Equation Modeling: A Bayesian Approach is a multi-disciplinary text ideal for researchers and students in many areas, including: statistics, biostatistics, business, education, medicine, psychology, public health and social science.