Statistical Regression Modeling with R / Chen, Ding-Geng (Din)  

Público ISBD Ningún comentario para este título. Título : Statistical Regression Modeling with R : Longitudinal and Multi-level Modeling Tipo de documento: documento electrónico Autores: Chen, Ding-Geng (Din), ; Chen, Jenny K., Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2021 Número de páginas: XVII, 228 p. 45 ilustraciones ISBN/ISSN/DL: 978-3-030-67583-7 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: Estadísticas  Lenguajes de programación (computadoras electrónicas)  Teoría y métodos estadísticos.  Estadísticas aplicadas  Lenguaje de programación Clasificación: 519.5 Resumen: Este libro proporciona un punto de referencia conciso para los métodos de regresión más utilizados. Comienza con la regresión lineal y no lineal para datos distribuidos normalmente, la regresión logística para datos distribuidos binomialmente y la regresión de Poisson y la regresión binomial negativa para datos de recuento. Luego avanza hacia estos modelos de regresión que funcionan con estructuras de datos longitudinales y multinivel. El volumen está diseñado para guiar la transición del modelado de regresión clásico a uno más avanzado, así como para contribuir al rápido desarrollo de la estadística y la ciencia de datos. Con datos y programas informáticos disponibles para facilitar la experiencia de aprendizaje de los lectores, Statistical Regression Modeling promueve las aplicaciones de R en regresión lineal, no lineal, longitudinal y multinivel. Todos los conjuntos de datos incluidos, así como el programa R asociado en los paquetes nlme y lme4 para regresión multinivel, se detallan en el Apéndice A. Este libro será valioso en cursos de posgrado sobre regresión aplicada, así como para profesionales e investigadores en los campos de la ciencia de datos, el análisis estadístico, la salud pública y campos relacionados. Nota de contenido: 1. Linear Regression -- 2. Introduction to Multi-Level Regression -- 3. Two-Level Multi-Level Modeling -- 4. Higher-Level Multi-Level Modeling -- 5. Longitudinal Data Analysis -- 6. Nonlinear Regression Modeling -- 7. Nonlinear Mixed-Effects Modeling -- 8. Generalized Linear Model -- 9. Generalized Multi-Level Model for Dichotomous Outcome -- 10. Generalized Multi-Level Model for Counts Outcome. Tipo de medio : Computadora Summary : This book provides a concise point of reference for the most commonly used regression methods. It begins with linear and nonlinear regression for normally distributed data, logistic regression for binomially distributed data, and Poisson regression and negative-binomial regression for count data. It then progresses to these regression models that work with longitudinal and multi-level data structures. The volume is designed to guide the transition from classical to more advanced regression modeling, as well as to contribute to the rapid development of statistics and data science. With data and computing programs available to facilitate readers' learning experience, Statistical Regression Modeling promotes the applications of R in linear, nonlinear, longitudinal and multi-level regression. All included datasets, as well as the associated R program in packages nlme and lme4 for multi-level regression, are detailed in Appendix A. This book will be valuable in graduate courses on applied regression, as well as for practitioners and researchers in the fields of data science, statistical analytics, public health, and related fields. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Statistical Regression Modeling with R : Longitudinal and Multi-level Modeling [documento electrónico] / Chen, Ding-Geng (Din), ; Chen, Jenny K.,  . -  1 ed.  . - [s.l.] : Springer, 2021 . - XVII, 228 p. 45 ilustraciones. ISBN : 978-3-030-67583-7 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: Estadísticas  Lenguajes de programación (computadoras electrónicas)  Teoría y métodos estadísticos.  Estadísticas aplicadas  Lenguaje de programación Clasificación: 519.5 Resumen: Este libro proporciona un punto de referencia conciso para los métodos de regresión más utilizados. Comienza con la regresión lineal y no lineal para datos distribuidos normalmente, la regresión logística para datos distribuidos binomialmente y la regresión de Poisson y la regresión binomial negativa para datos de recuento. Luego avanza hacia estos modelos de regresión que funcionan con estructuras de datos longitudinales y multinivel. El volumen está diseñado para guiar la transición del modelado de regresión clásico a uno más avanzado, así como para contribuir al rápido desarrollo de la estadística y la ciencia de datos. Con datos y programas informáticos disponibles para facilitar la experiencia de aprendizaje de los lectores, Statistical Regression Modeling promueve las aplicaciones de R en regresión lineal, no lineal, longitudinal y multinivel. Todos los conjuntos de datos incluidos, así como el programa R asociado en los paquetes nlme y lme4 para regresión multinivel, se detallan en el Apéndice A. Este libro será valioso en cursos de posgrado sobre regresión aplicada, así como para profesionales e investigadores en los campos de la ciencia de datos, el análisis estadístico, la salud pública y campos relacionados. Nota de contenido: 1. Linear Regression -- 2. Introduction to Multi-Level Regression -- 3. Two-Level Multi-Level Modeling -- 4. Higher-Level Multi-Level Modeling -- 5. Longitudinal Data Analysis -- 6. Nonlinear Regression Modeling -- 7. Nonlinear Mixed-Effects Modeling -- 8. Generalized Linear Model -- 9. Generalized Multi-Level Model for Dichotomous Outcome -- 10. Generalized Multi-Level Model for Counts Outcome. Tipo de medio : Computadora Summary : This book provides a concise point of reference for the most commonly used regression methods. It begins with linear and nonlinear regression for normally distributed data, logistic regression for binomially distributed data, and Poisson regression and negative-binomial regression for count data. It then progresses to these regression models that work with longitudinal and multi-level data structures. The volume is designed to guide the transition from classical to more advanced regression modeling, as well as to contribute to the rapid development of statistics and data science. With data and computing programs available to facilitate readers' learning experience, Statistical Regression Modeling promotes the applications of R in linear, nonlinear, longitudinal and multi-level regression. All included datasets, as well as the associated R program in packages nlme and lme4 for multi-level regression, are detailed in Appendix A. This book will be valuable in graduate courses on applied regression, as well as for practitioners and researchers in the fields of data science, statistical analytics, public health, and related fields. 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