دانلود کتاب روشهای نمونهگیری مجدد برای دادههای وابسته بعد از پرداخت مقدور خواهد بود
توضیحات کتاب در بخش جزئیات آمده است و می توانید موارد را مشاهده فرمایید
نام کتاب : Resampling Methods for Dependent Data
ویرایش : 1
عنوان ترجمه شده به فارسی : روشهای نمونهگیری مجدد برای دادههای وابسته
سری : Springer Series in Statistics
نویسندگان : S. N. Lahiri (auth.)
ناشر : Springer-Verlag New York
سال نشر : 2003
تعداد صفحات : 381
ISBN (شابک) : 9781441918482 , 9781475738032
زبان کتاب : English
فرمت کتاب : pdf
حجم کتاب : 9 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.
این کتابی درباره راهاندازی و روشهای نمونهگیری مجدد مرتبط برای دادههای زمانی و مکانی است که اشکال مختلف وابستگی را نشان میدهند. مانند روشهای resam pling برای دادههای مستقل، این روشها ابزارهایی را برای تجزیه و تحلیل آماری دادههای وابسته بدون نیاز به مفروضات ساختاری دقیق فراهم میکنند. این یک جنبه مهم از روشهای نمونهگیری مجدد در مورد وابسته است، زیرا مشکل تعیین نادرست مدل تحت وابستگی شایعتر است و روشهای آماری سنتی اغلب به انحرافات از مفروضات مدل بسیار حساس هستند. به دنبال موفقیت چشمگیر بوت استرپ افرون (1979) برای ارائه پاسخ به بسیاری از مسائل پیچیده مربوط به داده های مستقل و پیروی از مثال سینگ (1981) در مورد ناکافی بودن روش تحت وابستگی، تلاش های متعددی در ادبیات برای گسترش روش بوت استرپ صورت گرفته است. مورد وابسته زمانی که نمونهبرداری مجدد از مشاهدات منفرد با نمونهگیری مجدد بلوکی جایگزین شد، پیشرفتی حاصل شد، ایدهای که توسط هال (1985)، کارلشتاین (1986)، کیینش (1989)، لیو و سینگ (1992)، و دیگران به اشکال مختلف مطرح شد. در مسائل استنتاج مختلف از آن زمان تاکنون پیشرفت چشمگیری در زمینه روشهای تقویت کننده رزولوشن برای دادههای وابسته وجود داشته است و هنوز هم حوزه تحقیقات فعال است. این کتاب جنبههای مختلف نظریه و روششناسی روشهای نمونهگیری مجدد برای دادههای وابسته توسعهیافته در دو دهه گذشته را توصیف میکند. عمدتاً دو مخاطب هدف برای کتاب وجود دارد که سطح نمایش بخشهای مربوطه متناسب با هر مخاطب است.
This is a book on bootstrap and related resampling methods for temporal and spatial data exhibiting various forms of dependence. Like the resam pling methods for independent data, these methods provide tools for sta tistical analysis of dependent data without requiring stringent structural assumptions. This is an important aspect of the resampling methods in the dependent case, as the problem of model misspecification is more preva lent under dependence and traditional statistical methods are often very sensitive to deviations from model assumptions. Following the tremendous success of Efron's (1979) bootstrap to provide answers to many complex problems involving independent data and following Singh's (1981) example on the inadequacy of the method under dependence, there have been several attempts in the literature to extend the bootstrap method to the dependent case. A breakthrough was achieved when resampling of single observations was replaced with block resampling, an idea that was put forward by Hall (1985), Carlstein (1986), Kiinsch (1989), Liu and Singh (1992), and others in various forms and in different inference problems. There has been a vig orous development in the area of res amp ling methods for dependent data since then and it is still an area of active research. This book describes various aspects of the theory and methodology of resampling methods for dependent data developed over the last two decades. There are mainly two target audiences for the book, with the level of exposition of the relevant parts tailored to each audience.