دانلود کتاب Methods of statistical model estimation – روشهای برآورد مدل آماری

• توضیحات
• نظرات (0)

Programming and R Introduction R Specifics Programming Making R Packages Further Reading Statistics and Likelihood-Based Estimation Introduction Statistical Models Maximum Likelihood Estimation Interval Estimates Simulation for Fun and Profit Ordinary Regression Introduction Least-Squares Regression Maximum-Likelihood Regression Infrastructure Conclusion Generalized Linear Models Introduction GLM: Families and Terms The Exponential Family The IRLS Fitting Algorithm Bernoulli or Binary Logistic Regression Grouped Binomial Models Constructing a GLM Function GLM Negative Binomial Model Offsets Dispersion, Over and Under Goodness-of-Fit and Residual Analysis Weights Conclusion Maximum Likelihood Estimation Introduction MLE for GLM Two-Parameter MLE Panel Data What Is a Panel Model? Fixed-Effects Model Random-Intercept Model Handling More Advanced Models The EM Algorithm Further Reading Model Estimation Using Simulation Simulation: Why and When? Synthetic Statistical Models Bayesian Parameter Estimation Discussion Bibliography Index Exercises appear at the end of each chapter.

————————————————————–

ترجمه ماشینی :

مقدمه روش‌های برآورد مدل آماری برای ایجاد دیدگاه عمل‌گرایانه خاصی از مدل‌سازی آماری نوشته شده است. هدف ما تلاش برای نشان دادن وحدتی بوده است که زیربنای تخمین پارامترهای آماری برای طیف گسترده ای از مدل ها است. ما به دنبال ارائه تکنیک ها و اصول مدل سازی آماری با استفاده از کدهای کامپیوتری اجرایی هستیم. انتخاب ما مانع استفاده از متن توضیحی، معادلات، یا گاه به گاه شبه کد نمی شود. با این حال، ما کد کامپیوتری نوشته‌ایم که در درجه اول از ملاحظات آموزشی انگیزه دارد. یک مثال در توسعه یک تابع واحد برای محاسبه باقیمانده انحراف در فصل 4 است. ما جزئیات را به بخش 4.7 موکول می کنیم، اما در اینجا ذکر می کنیم که باقیمانده های انحراف یک ابزار تشخیصی مدل مهم برای GLM ها هستند. هر توزیع در خانواده نمایی دارای باقیمانده انحراف خاص خود است که با احتمال تعریف می شود. بسیاری از کتاب های آماری جداولی از معادلات را برای محاسبه هر یک از این باقیمانده ها ارائه می کنند. به جای توسعه یک تابع منحصر به فرد برای هر توزیع، ترجیح می دهیم یک تابع واحد ارائه کنیم که احتمال را به طور مناسب خود فراخوانی کند. این تابع منفرد جایگزین پنج یا شش می شود و با انجام این کار، وحدتی را که زیربنای GLM است نشان می دهد. البته، کد نسبت به نمایش مستقیم معادلات کارایی و پایداری کمتری دارد، اما هدف ما وضوح است تا سرعت یا ثبات. این کتاب همچنین دستورالعمل‌هایی را ارائه می‌دهد تا آماردانان و محققان را از رشته‌های مختلف قادر می‌سازد تا مدل‌های آماری خود را با استفاده از R. R، بیش از هر برنامه آماری دیگری، با سهولت برنامه‌ریزی کنند. برای استفاده دیگران در جامعه تحقیقاتی عمومی’–  بیشتر بخوانید…