| TÃtulo : |
Regression : Models, Methods and Applications |
| Tipo de documento: |
documento electrónico |
| Autores: |
Fahrmeir, Ludwig, ; Kneib, Thomas, ; Lang, Stefan, ; Marx, Brian D., |
| Mención de edición: |
2 ed. |
| Editorial: |
Berlin [Alemania] : Springer |
| Fecha de publicación: |
2021 |
| Número de páginas: |
XX, 746 p. 286 ilustraciones, 4 ilustraciones en color. |
| ISBN/ISSN/DL: |
978-3-662-63882-8 |
| Nota general: |
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. |
| Idioma : |
Inglés (eng) |
| Palabras clave: |
Análisis de regresión EstadÃsticas Investigación cuantitativa EstadÃsticas no paramétricas Estadistica matematica Modelos lineales y regresión EstadÃsticas aplicadas Análisis de datos y Big Data Inferencia no paramétrica Inferencia paramétrica TeorÃa y métodos estadÃsticos. |
| Clasificación: |
519.536 |
| Resumen: |
Ahora en su segunda edición, este libro de texto proporciona una introducción aplicada y unificada a la regresión paramétrica, no paramétrica y semiparamétrica que cierra la brecha entre la teorÃa y la aplicación. Los modelos y métodos de regresión más importantes se presentan sobre una base formal sólida y se muestra su aplicación adecuada a través de numerosos ejemplos y estudios de casos. Las definiciones y afirmaciones más importantes se resumen de forma concisa en recuadros, y los conjuntos de datos y el código subyacentes están disponibles en lÃnea en el sitio web exclusivo del libro. La disponibilidad de software (fácil de usar) ha sido un criterio importante para los métodos seleccionados y presentados. Los capÃtulos abordan el modelo lineal clásico y sus extensiones, modelos lineales generalizados, modelos de regresión categórica, modelos mixtos, regresión no paramétrica, regresión aditiva estructurada, regresión cuantil y modelos de regresión distribucional. Dos apéndices describen el álgebra matricial requerida, asà como elementos de cálculo de probabilidad e inferencia estadÃstica. En esta nueva edición sustancialmente revisada y actualizada, se ha ampliado la descripción general de los modelos de regresión y ahora incluye la relación entre los modelos de regresión y el aprendizaje automático, se han agregado detalles adicionales sobre la inferencia estadÃstica en modelos de regresión aditivos estructurados y un capÃtulo completamente reelaborado aumenta la presentación. de regresión cuantil con una introducción completa a los modelos de regresión distributiva. Los enfoques de regularización ahora se analizan más ampliamente en la mayorÃa de los capÃtulos del libro. El libro se dirige principalmente a una audiencia que incluye estudiantes, profesores y profesionales de las ciencias sociales, económicas y biológicas, asà como estudiantes y profesores de programas de estadÃstica, y matemáticos e informáticos interesados ​​en el modelado estadÃstico y el análisis de datos. Está escrito en un nivel matemático intermedio y solo asume conocimientos básicos de probabilidad, cálculo, álgebra matricial y estadÃstica. |
| Nota de contenido: |
Introduction -- Regression Models -- The Classical Linear Model -- Extensions of the Classical Linear Model -- Generalized Linear Models -- Categorical Regression Models -- Mixed Models -- Nonparametric Regression -- Structured Additive Regression -- Distributional Regression Models. |
| Tipo de medio : |
Computadora |
| Summary : |
Now in its second edition, this textbook provides an applied and unified introduction to parametric, nonparametric and semiparametric regression that closes the gap between theory and application. The most important models and methods in regression are presented on a solid formal basis, and their appropriate application is shown through numerous examples and case studies. The most important definitions and statements are concisely summarized in boxes, and the underlying data sets and code are available online on the book's dedicated website. Availability of (user-friendly) software has been a major criterion for the methods selected and presented. The chapters address the classical linear model and its extensions, generalized linear models, categorical regression models, mixed models, nonparametric regression, structured additive regression, quantile regression and distributional regression models. Two appendices describe the required matrix algebra, as well as elements of probability calculus and statistical inference. In this substantially revised and updated new edition the overview on regression models has been extended, and now includes the relation between regression models and machine learning, additional details on statistical inference in structured additive regression models have been added and a completely reworked chapter augments the presentation of quantile regression with a comprehensive introduction to distributional regression models. Regularization approaches are now more extensively discussed in most chapters of the book. The book primarily targets an audience that includes students, teachers and practitioners in social, economic, and life sciences, as well as students and teachers in statistics programs, and mathematicians and computer scientists with interests in statistical modeling and data analysis. It is written at an intermediate mathematical level and assumes only knowledge of basic probability, calculus, matrix algebra and statistics. |
| Enlace de acceso : |
https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] |
Regression : Models, Methods and Applications [documento electrónico] / Fahrmeir, Ludwig, ; Kneib, Thomas, ; Lang, Stefan, ; Marx, Brian D., . - 2 ed. . - Berlin [Alemania] : Springer, 2021 . - XX, 746 p. 286 ilustraciones, 4 ilustraciones en color. ISBN : 978-3-662-63882-8 Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Idioma : Inglés ( eng)
| Palabras clave: |
Análisis de regresión EstadÃsticas Investigación cuantitativa EstadÃsticas no paramétricas Estadistica matematica Modelos lineales y regresión EstadÃsticas aplicadas Análisis de datos y Big Data Inferencia no paramétrica Inferencia paramétrica TeorÃa y métodos estadÃsticos. |
| Clasificación: |
519.536 |
| Resumen: |
Ahora en su segunda edición, este libro de texto proporciona una introducción aplicada y unificada a la regresión paramétrica, no paramétrica y semiparamétrica que cierra la brecha entre la teorÃa y la aplicación. Los modelos y métodos de regresión más importantes se presentan sobre una base formal sólida y se muestra su aplicación adecuada a través de numerosos ejemplos y estudios de casos. Las definiciones y afirmaciones más importantes se resumen de forma concisa en recuadros, y los conjuntos de datos y el código subyacentes están disponibles en lÃnea en el sitio web exclusivo del libro. La disponibilidad de software (fácil de usar) ha sido un criterio importante para los métodos seleccionados y presentados. Los capÃtulos abordan el modelo lineal clásico y sus extensiones, modelos lineales generalizados, modelos de regresión categórica, modelos mixtos, regresión no paramétrica, regresión aditiva estructurada, regresión cuantil y modelos de regresión distribucional. Dos apéndices describen el álgebra matricial requerida, asà como elementos de cálculo de probabilidad e inferencia estadÃstica. En esta nueva edición sustancialmente revisada y actualizada, se ha ampliado la descripción general de los modelos de regresión y ahora incluye la relación entre los modelos de regresión y el aprendizaje automático, se han agregado detalles adicionales sobre la inferencia estadÃstica en modelos de regresión aditivos estructurados y un capÃtulo completamente reelaborado aumenta la presentación. de regresión cuantil con una introducción completa a los modelos de regresión distributiva. Los enfoques de regularización ahora se analizan más ampliamente en la mayorÃa de los capÃtulos del libro. El libro se dirige principalmente a una audiencia que incluye estudiantes, profesores y profesionales de las ciencias sociales, económicas y biológicas, asà como estudiantes y profesores de programas de estadÃstica, y matemáticos e informáticos interesados ​​en el modelado estadÃstico y el análisis de datos. Está escrito en un nivel matemático intermedio y solo asume conocimientos básicos de probabilidad, cálculo, álgebra matricial y estadÃstica. |
| Nota de contenido: |
Introduction -- Regression Models -- The Classical Linear Model -- Extensions of the Classical Linear Model -- Generalized Linear Models -- Categorical Regression Models -- Mixed Models -- Nonparametric Regression -- Structured Additive Regression -- Distributional Regression Models. |
| Tipo de medio : |
Computadora |
| Summary : |
Now in its second edition, this textbook provides an applied and unified introduction to parametric, nonparametric and semiparametric regression that closes the gap between theory and application. The most important models and methods in regression are presented on a solid formal basis, and their appropriate application is shown through numerous examples and case studies. The most important definitions and statements are concisely summarized in boxes, and the underlying data sets and code are available online on the book's dedicated website. Availability of (user-friendly) software has been a major criterion for the methods selected and presented. The chapters address the classical linear model and its extensions, generalized linear models, categorical regression models, mixed models, nonparametric regression, structured additive regression, quantile regression and distributional regression models. Two appendices describe the required matrix algebra, as well as elements of probability calculus and statistical inference. In this substantially revised and updated new edition the overview on regression models has been extended, and now includes the relation between regression models and machine learning, additional details on statistical inference in structured additive regression models have been added and a completely reworked chapter augments the presentation of quantile regression with a comprehensive introduction to distributional regression models. Regularization approaches are now more extensively discussed in most chapters of the book. The book primarily targets an audience that includes students, teachers and practitioners in social, economic, and life sciences, as well as students and teachers in statistics programs, and mathematicians and computer scientists with interests in statistical modeling and data analysis. It is written at an intermediate mathematical level and assumes only knowledge of basic probability, calculus, matrix algebra and statistics. |
| Enlace de acceso : |
https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] |
|  |
519 EstadÃstica y probabilidades 
Crear una solicitud de compra Refinar búsqueda
