Regression / Fahrmeir, Ludwig  

Público ISBD Ningún comentario para este registro. Título : 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  Estadísticas  Investigación cuantitativa  Estadísticas no paramétricas  Estadistica matematica  Modelos lineales y regresión  Estadísticas aplicadas  Análisis de datos y Big Data  Inferencia no paramétrica  Inferencia paramétrica  Teoría y métodos estadísticos. 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 teoría 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 línea 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 capítulos 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, así como elementos de cálculo de probabilidad e inferencia estadística. 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 estadística en modelos de regresión aditivos estructurados y un capítulo 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 mayoría de los capítulos del libro. El libro se dirige principalmente a una audiencia que incluye estudiantes, profesores y profesionales de las ciencias sociales, económicas y biológicas, así como estudiantes y profesores de programas de estadística, y matemáticos e informáticos interesados ​​en el modelado estadístico y el análisis de datos. Está escrito en un nivel matemático intermedio y solo asume conocimientos básicos de probabilidad, cálculo, álgebra matricial y estadística. 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  Estadísticas  Investigación cuantitativa  Estadísticas no paramétricas  Estadistica matematica  Modelos lineales y regresión  Estadísticas aplicadas  Análisis de datos y Big Data  Inferencia no paramétrica  Inferencia paramétrica  Teoría y métodos estadísticos. 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 teoría 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 línea 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 capítulos 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, así como elementos de cálculo de probabilidad e inferencia estadística. 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 estadística en modelos de regresión aditivos estructurados y un capítulo 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 mayoría de los capítulos del libro. El libro se dirige principalmente a una audiencia que incluye estudiantes, profesores y profesionales de las ciencias sociales, económicas y biológicas, así como estudiantes y profesores de programas de estadística, y matemáticos e informáticos interesados ​​en el modelado estadístico y el análisis de datos. Está escrito en un nivel matemático intermedio y solo asume conocimientos básicos de probabilidad, cálculo, álgebra matricial y estadística. 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 [...]

---

1 (1 - 1 / 1) Ver por página : 25 50 100 200