Сопутствующая карта цифровой линейной модели и многографа -ассоциации цифровой модели Гарри Джхамис для создания нескольких карт книги «Книга Джи Чжи Чжи Чжи Чжизхи издательство Century Publishing
Вес товара: ~0.7 кг. Указан усредненный вес, который может отличаться от фактического. Не включен в цену, оплачивается при получении.
Описание товара
| Дисплей продукта |
 |
| Основная информация |
Название книги: | Корреляционные графики и мультиграфики для логарифмически-линейных моделей |
Автор: | Гарри Дж. Хамис |
Цены: | 30.00 |
Номер ISBN: | 9787543226746 |
Издательство: | Gezhi Publishing House |
формат: | 32 |
Фрагментация: | Оплата в мягкой обложке |
Дата публикации: | 2016-12-1 |
Дата печати: | 2016-12-1 |
| Выбор редактора |
| Логлинейная модель была разработана и популярна с конца 1960-х до начала 1970-х годов.Курсы по категориальному анализу данных, включая лог-линейное моделирование, в настоящее время являются важным компонентом последипломного образования в области социальных наук.Объединив многочисленные примеры, книга наглядно демонстрирует, как использовать теорию графов для понимания корреляционных структур, представленных сложными лог-линейными моделями.Теория графов, описанная в этой книге, помогает создавать и интерпретировать сложные лог-линейные модели в многосторонних списках.Данная монография будет полезна как студентам, желающим глубже понять структуру лог-линейных моделей, так и исследователям, применяющим эти модели в своих исследованиях. |
| Введение |
| В этой книге показано, как использовать теорию графов из математических ресурсов для понимания корреляционных структур, проявляющихся в сложных лог-линейных моделях.Авторы сначала рассматривают закономерности взаимоотношений двусторонних и многосторонних таблиц непредвиденных обстоятельств, а также лог-линейные модели этих таблиц.Введя некоторые ключевые понятия теории графов, автор затем применяет эти идеи к двум графическим парадигмам лог-линейных моделей: корреляционным графам и генеративным мультиграфам.Используя богатые примеры и понятные пояснения, автор показывает, как два графика лог-линейных моделей иллюстрируют структуру модели, раскрывая некоторые их характеристики, такие как условная независимость, разложимость, сжимаемость и т. д. |
| об авторе |
| Гарри·Дж. Хамис (Гарри Дж. Хамис) — совместный профессор Школы математики и статистики и Медицинской школы Буна-Шафта Государственного университета Райта в Дейтоне, штат Огайо.С 1993 года он занимал должность директора Статистического консультационного центра при Государственном университете Райта.Он преподает в Государственном университете Райта с 1980 года, за это время он также посетил и занимал преподавательские, исследовательские и консультационные должности в Университете Уппсалы, Университете Умео и Университете Даларны в Швеции.Область его специализации — статистические методы, особенно модели категориального ответа, тесты соответствия и модели регрессии Кокса. |
| Оглавление |
| Об авторе Знакомство с редактором серии Глава 1 Введение Глава 2. Структура ассоциации Раздел 1. Статистическая независимость дискретных переменных Раздел 2. Отношение шансов: двусторонняя таблица Раздел 3. Отношение шансов: трехмерный список Раздел 4. Подбор модели: трехмерная таблица Раздел 5 Многопозиционный стол Глава 3. Обзор лог-линейных моделей Раздел 1 Двусторонняя таблица непредвиденных обстоятельств Раздел 2 Трехмерная таблица непредвиденных обстоятельств Раздел 3 Связь между трехмерными таблицами LLM Раздел 4 LLM и свойства таблицы непредвиденных обстоятельств Раздел 5 Многопозиционный стол Глава 4. Корреляционная диаграмма логарифмической линейной модели. Раздел 1. Основные правила теории графов Раздел 2. Схема ассоциации трехстороннего стола. Раздел 3. Диаграмма ассоциации многомерной таблицы. Раздел 4. Разлагаемая LLM Раздел 5 Сводка Глава 5. Условия сжимаемости и графики корреляции. Раздел 1 Сжимаемость трехмерных таблиц сопряженности Раздел 2. Теорема о сжимаемости и корреляционная диаграмма Раздел 3. Заключение Глава 6. Генерация нескольких графов Раздел 1. Построение нескольких графиков Раздел 2. Множественные графики трехмерных таблиц Раздел 3 Множественные графы многомерных таблиц Раздел 4. Максимальное связующее дерево Раздел 5. Разложимость Раздел 6. Разложение совместной вероятности разложимого LLM Раздел 7. Основная условная независимость разложимых LLM Глава 7. Основная условная независимость неразложимых логарифмических линейных моделей Раздел 1. Набор для обрезки кромок Раздел 2 FCI неразложимого LLM Раздел 3 Условия сжатия для использования мультиграфов Раздел 4 FCI: Резюме Глава 8. Заключение и дополнительные примеры Раздел 1. Сравнение графов ассоциаций и мультиграфов Раздел 2. Дополнительные примеры. Раздел 3. Заключительные положения набор данных Рекомендации Таблица сравнения переводов |
| Прочтите некоторые главы онлайн. |
Вообще говоря, использование LLM для анализа взаимосвязей между набором категориальных переменных включает два шага: 1. Определить соответствие данным“Зуи хорош”Модель 2. Анализировать и интерпретировать результаты наиболее подходящей модели. Определение шага DiYi на этих двух этапах, несомненно, является непростой задачей, но существует большое количество литературы, используемой для руководства по процедурам и методам подбора модели, включая традиционный процесс подбора LLM и более профессиональные процедуры, такие как условное тестирование, метод начальной загрузки, байесовский метод и т. д. Чтобы найти наиболее подходящий LLM для данной таблицы непредвиденных обстоятельств, можно использовать статистические методы и программное обеспечение, такие как метод сегментации (Goodman, 1971a) и двухсегментный метод (Бенедетти Браун, 1978; Браун, 1976).См. также Агрести (2002 г., глава 9), Викенс (1989 г., глава 5) и Лаваль (2003 г., глава 7).В этой книге не рассматривается процесс поиска наиболее подходящего LLM. Однако читатели отсылаются к соответствующей литературе, цитированной ранее.Каждый пример в этой книге представляет наиболее подходящий LLM для данных данных (или, по крайней мере, LLM, который хорошо подходит), с периодическим обсуждением. Эта книга посвящена последнему из двух шагов. После получения наиболее подходящего LLM ключом является его точный и подробный анализ и интерпретация. В этой книге“анализировать”Данный LLM относится к установлению связей между всеми переменными и преобразованию этих связей в выводы о данных;“объяснять”Данный LLM относится к выявлению всех связей между переменными и преобразованию этих связей в выводы о данных. Использование инструментов математической теории графов делает общий статистический анализ в этой области надежным, систематическим, всеобъемлющим и кратким. Одна графическая процедура, диаграмма ассоциации, включена во многие стандартные учебники по категориальным данным (например, Agresti, 2002; Andersen, 1997; Wickens, 1989).Вторая графическая процедура — мультиплот — относительно новая и еще не вводилась в учебники. Мы предполагаем, что читатель уже знаком с применением LLM и с данными многофакторных таблиц сопряженности, созданных с помощью стандартных планов выборки (см. главу 3, раздел 4).“схема выборки”часть), а также процесс выбора наиболее подходящего LLM.Эта книга посвящена анализу и интерпретации наиболее подходящих результатов LLM, используя для объяснения большое количество примеров из психологии, политологии и социологии.В этой книге представлено множество примеров из реальной жизни, основанных на исследовательских проектах Центра статистического консультирования Университета Райта (с согласия клиента). Эта книга служит“начиная”Руководство, в котором основное внимание уделяется практическому применению корреляционных графиков и мультиграфиков для наилучшего соответствия LLM для его всестороннего и надежного анализа и интерпретации.Читателям рекомендуется прочитать теоретическую литературу, лежащую в основе этого метода, включая теоремы, доказательства, вывод и вычислительные методы.Освоив содержание этой книги, читатель сможет объяснить очень сложную LLM с помощью 1. Определите важные атрибуты модели, чтобы глубже понять ее; 2. Ясно и понятно объяснять взаимосвязь между факторами; 3. Установите методы упрощения таблиц непредвиденных обстоятельств (например, используйте условия сжатия). Наконец, этих целей можно легко достичь с помощью ассоциативных диаграмм и/или мультидиаграмм.Для поиска наиболее подходящей модели требуются компьютерное программное обеспечение и потенциально сложные стратегии и методы выбора модели, но как только наиболее подходящая модель найдена, ее можно проанализировать и объяснить графически без какого-либо программного обеспечения, сложного вывода или тяжелых вычислений. Для большинства LLM, содержащих четыре переменные (или, возможно, пять, в зависимости от сложности модели), отношения между переменными можно определить, просто внимательно изучив сам LLM или сгенерированные классы (см. главу 3). Однако для более сложных LLM сортировка всей информации, содержащейся в модели, может оказаться очень сложной задачей даже для опытных аналитиков LLM.Процедуры, описанные в этой книге, особенно полезны для сложных LLM, основанных на больших многомерных таблицах непредвиденных обстоятельств. Давайте сначала рассмотрим поучительный пример. Рассмотрим 10 категориальных переменных, закодированных как 0, 1, 2.……,9.Цель состоит в том, чтобы понять взаимосвязь между этими десятью переменными.Предположим, что наиболее подходящий класс, сгенерированный LLM (также называемый минимально достаточной конфигурацией) 10-мерной таблицы сопряженности, — это [67][013][125][178][1347][1457][1479]. Какие факторы независимы друг от друга?Какие факторы являются условно независимыми?Можете ли вы гарантировать, что подтвердили всю независимость и условную независимость?Какие факторы можно разложить без изменения связей между другими факторами?Можете ли вы гарантировать, что все отношения останутся неизменными после декомпозиции?Каковы важные свойства этой модели?Даже экспертам LLM сложно ответить подробно и достоверно на эти вопросы, просто опираясь на сгенерированные классы.Процедуры, представленные в этой книге, позволяют исследователям ответить на эти вопросы исчерпывающе и достоверно, ясно, всесторонне, систематически и шаг за шагом, не прибегая к статистическому программному обеспечению или тяжелым расчетам.В результате исследователи могут четко понимать, как связаны между собой факторы, и, что более важно, умеют точно и подробно интерпретировать данные.Эта модель с 10 переменными будет проанализирована в качестве примера в следующих главах. …… |
....
............
