Información del autor
Autor Christensen, Ronald |
Documentos disponibles escritos por este autor (2)
Crear una solicitud de compra Refinar búsqueda
TÃtulo : Advanced Linear Modeling : Statistical Learning and Dependent Data Tipo de documento: documento electrónico Autores: Christensen, Ronald, Mención de edición: 3 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2019 Número de páginas: XXIII, 608 p. 76 ilustraciones, 6 ilustraciones en color. ISBN/ISSN/DL: 978-3-030-29164-8 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: Probabilidades Matemáticas EstadÃsticas TeorÃa de probabilidad Matemática Computacional y Análisis Numérico TeorÃa y métodos estadÃsticos. Clasificación: 519.2 Resumen: Ahora en su tercera edición, este volumen complementario de Respuestas planas a preguntas complejas de Ronald Christensen utiliza tres conceptos fundamentales de la teorÃa de modelos lineales estándar (mejor predicción lineal, proyecciones y distancia de Mahalanobis) para extender el modelado lineal estándar a los ámbitos del aprendizaje estadÃstico y el aprendizaje dependiente. Datos. Esta nueva edición presenta una gran cantidad de contenido nuevo y revisado. En Aprendizaje EstadÃstico se profundiza en la regresión no paramétrica, la estimación penalizada (regularización), la reproducción de espacios de Hilbert del kernel, el truco del kernel y las máquinas de vectores de soporte. Para los datos dependientes, utiliza la teorÃa de modelos lineales para examinar modelos lineales generales, modelos lineales mixtos, series temporales, datos espaciales, modelos lineales multivariados (generalizados), discriminación y reducción de dimensiones. Si bien se hacen numerosas referencias a Plane Answers a lo largo del volumen, el modelado lineal avanzado se puede utilizar por sà solo si se tiene una sólida experiencia en modelos lineales. El código R adjunto para los análisis está disponible en lÃnea. Nota de contenido: 1. Nonparametric Regression -- 2. Penalized Estimation -- 3. Reproducing Kernel Hilbert Spaces -- 4. Covariance Parameter Estimation -- 5. Mixed Models and Variance Components -- 6. Frequency Analysis of Time Series -- 7. Time Domain Analysis -- 8. Linear Models for Spacial Data: Kriging -- 9. Multivariate Linear Models: General. 10. Multivariate Linear Models: Applications -- 11. Generalized Multivariate Linear Models and Longitudinal Data -- 12. Discrimination and Allocation -- 13. Binary Discrimination and Regression -- 14. Principal Components, Classical Multidimensional Scaling, and Factor Analysis -- A Mathematical Background -- B Best Linear Predictors -- C Residual Maximum Likelihood -- Index -- Author Index. Tipo de medio : Computadora Summary : Now in its third edition, this companion volume to Ronald Christensen's Plane Answers to Complex Questions uses three fundamental concepts from standard linear model theory—best linear prediction, projections, and Mahalanobis distance— to extend standard linear modeling into the realms of Statistical Learning and Dependent Data. This new edition features a wealth of new and revised content. In Statistical Learning it delves into nonparametric regression, penalized estimation (regularization), reproducing kernel Hilbert spaces, the kernel trick, and support vector machines. For Dependent Data it uses linear model theory to examine general linear models, linear mixed models, time series, spatial data, (generalized) multivariate linear models, discrimination, and dimension reduction. While numerous references to Plane Answers are made throughout the volume, Advanced Linear Modeling can be used on its own given a solid background in linear models. Accompanying R code for the analyses is available online. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Advanced Linear Modeling : Statistical Learning and Dependent Data [documento electrónico] / Christensen, Ronald, . - 3 ed. . - [s.l.] : Springer, 2019 . - XXIII, 608 p. 76 ilustraciones, 6 ilustraciones en color.
ISBN : 978-3-030-29164-8
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: Probabilidades Matemáticas EstadÃsticas TeorÃa de probabilidad Matemática Computacional y Análisis Numérico TeorÃa y métodos estadÃsticos. Clasificación: 519.2 Resumen: Ahora en su tercera edición, este volumen complementario de Respuestas planas a preguntas complejas de Ronald Christensen utiliza tres conceptos fundamentales de la teorÃa de modelos lineales estándar (mejor predicción lineal, proyecciones y distancia de Mahalanobis) para extender el modelado lineal estándar a los ámbitos del aprendizaje estadÃstico y el aprendizaje dependiente. Datos. Esta nueva edición presenta una gran cantidad de contenido nuevo y revisado. En Aprendizaje EstadÃstico se profundiza en la regresión no paramétrica, la estimación penalizada (regularización), la reproducción de espacios de Hilbert del kernel, el truco del kernel y las máquinas de vectores de soporte. Para los datos dependientes, utiliza la teorÃa de modelos lineales para examinar modelos lineales generales, modelos lineales mixtos, series temporales, datos espaciales, modelos lineales multivariados (generalizados), discriminación y reducción de dimensiones. Si bien se hacen numerosas referencias a Plane Answers a lo largo del volumen, el modelado lineal avanzado se puede utilizar por sà solo si se tiene una sólida experiencia en modelos lineales. El código R adjunto para los análisis está disponible en lÃnea. Nota de contenido: 1. Nonparametric Regression -- 2. Penalized Estimation -- 3. Reproducing Kernel Hilbert Spaces -- 4. Covariance Parameter Estimation -- 5. Mixed Models and Variance Components -- 6. Frequency Analysis of Time Series -- 7. Time Domain Analysis -- 8. Linear Models for Spacial Data: Kriging -- 9. Multivariate Linear Models: General. 10. Multivariate Linear Models: Applications -- 11. Generalized Multivariate Linear Models and Longitudinal Data -- 12. Discrimination and Allocation -- 13. Binary Discrimination and Regression -- 14. Principal Components, Classical Multidimensional Scaling, and Factor Analysis -- A Mathematical Background -- B Best Linear Predictors -- C Residual Maximum Likelihood -- Index -- Author Index. Tipo de medio : Computadora Summary : Now in its third edition, this companion volume to Ronald Christensen's Plane Answers to Complex Questions uses three fundamental concepts from standard linear model theory—best linear prediction, projections, and Mahalanobis distance— to extend standard linear modeling into the realms of Statistical Learning and Dependent Data. This new edition features a wealth of new and revised content. In Statistical Learning it delves into nonparametric regression, penalized estimation (regularization), reproducing kernel Hilbert spaces, the kernel trick, and support vector machines. For Dependent Data it uses linear model theory to examine general linear models, linear mixed models, time series, spatial data, (generalized) multivariate linear models, discrimination, and dimension reduction. While numerous references to Plane Answers are made throughout the volume, Advanced Linear Modeling can be used on its own given a solid background in linear models. Accompanying R code for the analyses is available online. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]
TÃtulo : Plane Answers to Complex Questions : The Theory of Linear Models Tipo de documento: documento electrónico Autores: Christensen, Ronald, Mención de edición: 5 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2020 Número de páginas: XXII, 529 p. 33 ilustraciones ISBN/ISSN/DL: 978-3-030-32097-3 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: TeorÃa y métodos estadÃsticos. EstadÃstica Clasificación: 519.5 Resumen: Este libro de texto proporciona una amplia introducción al uso y la teorÃa de modelos lineales para analizar datos. El énfasis del autor está en proporcionar un tratamiento unificado de modelos lineales, incluido el análisis de modelos de varianza y modelos de regresión, basados ​​en proyecciones, ortogonalidad y otras ideas de espacio vectorial. Cada capÃtulo viene con numerosos ejercicios y ejemplos que lo hacen ideal para un curso de posgrado. Todos los temas estándar se tratan en profundidad: estimación, incluida la estimación sesgada y bayesiana, pruebas de significancia, ANOVA, comparaciones múltiples, análisis de regresión y modelos de diseño experimental. Además, el libro cubre temas que normalmente no se tratan en este nivel, pero que son importantes por derecho propio: mejor predicción lineal y mejor predicción lineal insesgada, modelos de trama dividida, diseños de bloques incompletos equilibrados, pruebas de falta de ajuste, pruebas de independencia, modelos con matrices de covarianza singulares, diagnóstico, colinealidad y selección de variables. Esta nueva edición incluye nuevas secciones sobre alternativas a la estimación de mÃnimos cuadrados y el equilibrio entre el sesgo de varianza, una discusión ampliada sobre la selección de variables, nuevo material sobre la caracterización del espacio de interacción en un ANOVA bidireccional desequilibrado, la crÃtica de Freedman al estimador sándwich y mucho más. . Nota de contenido: 1. Introduction -- 2. Estimation -- 3. Testing -- 4. One-Way ANOVA -- 5. Multiple Comparison Techniques -- 6. Regression Analysis -- 7. Multifactor Analysis of Variance -- 8. Experimental Design Models -- 9. Analysis of Covariance -- 10. General Gauss-Markov Models -- 11. Split Plot Models -- 12. Model Diagnostics -- 13. Collinearity and Alternative Estimates -- 14. Variable Selection -- Appendix A - 6 -- References -- Index -- Author Index. Tipo de medio : Computadora Summary : This textbook provides a wide-ranging introduction to the use and theory of linear models for analyzing data. The author's emphasis is on providing a unified treatment of linear models, including analysis of variance models and regression models, based on projections, orthogonality, and other vector space ideas. Every chapter comes with numerous exercises and examples that make it ideal for a graduate-level course. All of the standard topics are covered in depth: estimation including biased and Bayesian estimation, significance testing, ANOVA, multiple comparisons, regression analysis, and experimental design models. In addition, the book covers topics that are not usually treated at this level, but which are important in their own right: best linear and best linear unbiased prediction, split plot models, balanced incomplete block designs, testing for lack of fit, testing for independence, models with singular covariance matrices, diagnostics, collinearity, and variable selection. This new edition includes new sections on alternatives to least squares estimation and the variance-bias tradeoff, expanded discussion of variable selection, new material on characterizing the interaction space in an unbalanced two-way ANOVA, Freedman's critique of the sandwich estimator, and much more. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Plane Answers to Complex Questions : The Theory of Linear Models [documento electrónico] / Christensen, Ronald, . - 5 ed. . - [s.l.] : Springer, 2020 . - XXII, 529 p. 33 ilustraciones.
ISBN : 978-3-030-32097-3
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: TeorÃa y métodos estadÃsticos. EstadÃstica Clasificación: 519.5 Resumen: Este libro de texto proporciona una amplia introducción al uso y la teorÃa de modelos lineales para analizar datos. El énfasis del autor está en proporcionar un tratamiento unificado de modelos lineales, incluido el análisis de modelos de varianza y modelos de regresión, basados ​​en proyecciones, ortogonalidad y otras ideas de espacio vectorial. Cada capÃtulo viene con numerosos ejercicios y ejemplos que lo hacen ideal para un curso de posgrado. Todos los temas estándar se tratan en profundidad: estimación, incluida la estimación sesgada y bayesiana, pruebas de significancia, ANOVA, comparaciones múltiples, análisis de regresión y modelos de diseño experimental. Además, el libro cubre temas que normalmente no se tratan en este nivel, pero que son importantes por derecho propio: mejor predicción lineal y mejor predicción lineal insesgada, modelos de trama dividida, diseños de bloques incompletos equilibrados, pruebas de falta de ajuste, pruebas de independencia, modelos con matrices de covarianza singulares, diagnóstico, colinealidad y selección de variables. Esta nueva edición incluye nuevas secciones sobre alternativas a la estimación de mÃnimos cuadrados y el equilibrio entre el sesgo de varianza, una discusión ampliada sobre la selección de variables, nuevo material sobre la caracterización del espacio de interacción en un ANOVA bidireccional desequilibrado, la crÃtica de Freedman al estimador sándwich y mucho más. . Nota de contenido: 1. Introduction -- 2. Estimation -- 3. Testing -- 4. One-Way ANOVA -- 5. Multiple Comparison Techniques -- 6. Regression Analysis -- 7. Multifactor Analysis of Variance -- 8. Experimental Design Models -- 9. Analysis of Covariance -- 10. General Gauss-Markov Models -- 11. Split Plot Models -- 12. Model Diagnostics -- 13. Collinearity and Alternative Estimates -- 14. Variable Selection -- Appendix A - 6 -- References -- Index -- Author Index. Tipo de medio : Computadora Summary : This textbook provides a wide-ranging introduction to the use and theory of linear models for analyzing data. The author's emphasis is on providing a unified treatment of linear models, including analysis of variance models and regression models, based on projections, orthogonality, and other vector space ideas. Every chapter comes with numerous exercises and examples that make it ideal for a graduate-level course. All of the standard topics are covered in depth: estimation including biased and Bayesian estimation, significance testing, ANOVA, multiple comparisons, regression analysis, and experimental design models. In addition, the book covers topics that are not usually treated at this level, but which are important in their own right: best linear and best linear unbiased prediction, split plot models, balanced incomplete block designs, testing for lack of fit, testing for independence, models with singular covariance matrices, diagnostics, collinearity, and variable selection. This new edition includes new sections on alternatives to least squares estimation and the variance-bias tradeoff, expanded discussion of variable selection, new material on characterizing the interaction space in an unbalanced two-way ANOVA, Freedman's critique of the sandwich estimator, and much more. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]
