دانلود کتاب Mixed-Effects Regression Models in Linguistics
کتاب مدل‌های رگرسیون اثرات مختلط در زبان‌شناسی نسخه زبان اصلی
دانلود کتاب مدل‌های رگرسیون اثرات مختلط در زبان‌شناسی بعد از پرداخت مقدور خواهد بود
توضیحات کتاب در بخش جزئیات آمده است و می توانید موارد را مشاهده فرمایید
توضیحاتی در مورد کتاب Mixed-Effects Regression Models in Linguistics
نام کتاب : Mixed-Effects Regression Models in Linguistics
ویرایش : 1
عنوان ترجمه شده به فارسی : مدل‌های رگرسیون اثرات مختلط در زبان‌شناسی
سری : Quantitative Methods in the Humanities and Social Sciences
نویسندگان : Dirk Speelman, Kris Heylen, Dirk Geeraerts (eds.)
ناشر : Springer International Publishing
سال نشر : 2018
تعداد صفحات : 149
ISBN (شابک) : 9783319698281 , 9783319698304
زبان کتاب : English
فرمت کتاب : pdf
حجم کتاب : 3 مگابایت
بعد از تکمیل فرایند پرداخت لینک دانلود کتاب ارائه خواهد شد. درصورت ثبت نام و ورود به حساب کاربری خود قادر خواهید بود لیست کتاب های خریداری شده را مشاهده فرمایید.
توضیحاتی در مورد کتاب :
وقتی داده‌ها از مشاهدات یا خوشه‌های گروه‌بندی‌شده تشکیل می‌شوند، و این خطر وجود دارد که اندازه‌گیری‌ها در همان گروه مستقل نباشند، می‌توان اثرات تصادفی خاص گروه را به یک مدل رگرسیونی اضافه کرد تا چنین مواردی را در درون گروه به حساب آورد. انجمن های گروهی مدل‌های رگرسیونی که حاوی چنین اثرات تصادفی خاص گروهی هستند، مدل‌های رگرسیون با اثرات مختلط یا به سادگی مدل‌های مختلط نامیده می‌شوند. مدل‌های مختلط ابزار همه‌کاره‌ای هستند که می‌توانند هم مجموعه داده‌های متعادل و هم نامتعادل را مدیریت کنند و همچنین می‌توانند زمانی که چندین لایه گروه‌بندی در داده‌ها وجود دارند، اعمال شوند. این لایه ها می توانند تو در تو یا متقاطع باشند.
در زبان‌شناسی، مانند بسیاری از زمینه‌های دیگر، استفاده از مدل‌های ترکیبی در دهه گذشته به سرعت رشد کرده است. این تکامل روش‌شناختی ما را قادر می‌سازد تا مدل‌های پیچیده‌تر و احتمالاً واقعی‌تری بسازیم، اما به دلیل پیچیدگی فنی، چالش‌های جدیدی را نیز مطرح می‌کند. این جلد تعدادی از تحولات جدید امیدوارکننده در استفاده از مدل‌های ترکیبی در زبان‌شناسی را گرد هم می‌آورد، اما به تعدادی از عوارض، سوء تفاهم‌ها و مشکلات رایج نیز اشاره می‌کند. موضوعاتی که پوشش داده می شوند شامل استفاده از مجموعه داده های عظیم، برخورد با روابط غیر خطی، مسائل مربوط به اعتبارسنجی متقابل، و مسائل انتخاب مدل و ساختارهای تصادفی پیچیده است. این جلد شامل نمونه هایی از زیرشاخه های مختلف در زبان شناسی است. این کتاب همچنین کد R را برای طیف وسیعی از تحلیل‌ها ارائه می‌کند.فهرست مطالب :
Front Matter ....Pages i-vii
Introduction (Dirk Speelman, Kris Heylen, Dirk Geeraerts)....Pages 1-10
Mixed Models with Emphasis on Large Data Sets (Geert Verbeke, Geert Molenberghs, Steffen Fieuws, Samuel Iddi)....Pages 11-28
The L2 Impact on Learning L3 Dutch: The L2 Distance Effect (Job Schepens, Frans van der Slik, Roeland van Hout)....Pages 29-47
Autocorrelated Errors in Experimental Data in the Language Sciences: Some Solutions Offered by Generalized Additive Mixed Models (R. Harald Baayen, Jacolien van Rij, Cecile de Cat, Simon Wood)....Pages 49-69
Border Effects Among Catalan Dialects (Martijn Wieling, Esteve Valls, R. Harald Baayen, John Nerbonne)....Pages 71-97
Evaluating Logistic Mixed-Effects Models of Corpus-Linguistic Data in Light of Lexical Diffusion (Danielle Barth, Vsevolod Kapatsinski)....Pages 99-116
(Non)metonymic Expressions for government in Chinese: A Mixed-Effects Logistic Regression Analysis (Weiwei Zhang, Dirk Geeraerts, Dirk Speelman)....Pages 117-146
توضیحاتی در مورد کتاب به زبان اصلی :
When data consist of grouped observations or clusters, and there is a risk that measurements within the same group are not independent, group-specific random effects can be added to a regression model in order to account for such within-group associations. Regression models that contain such group-specific random effects are called mixed-effects regression models, or simply mixed models. Mixed models are a versatile tool that can handle both balanced and unbalanced datasets and that can also be applied when several layers of grouping are present in the data; these layers can either be nested or crossed.
In linguistics, as in many other fields, the use of mixed models has gained ground rapidly over the last decade. This methodological evolution enables us to build more sophisticated and arguably more realistic models, but, due to its technical complexity, also introduces new challenges. This volume brings together a number of promising new evolutions in the use of mixed models in linguistics, but also addresses a number of common complications, misunderstandings, and pitfalls. Topics that are covered include the use of huge datasets, dealing with non-linear relations, issues of cross-validation, and issues of model selection and complex random structures. The volume features examples from various subfields in linguistics. The book also provides R code for a wide range of analyses.