JMP vegyes modellekhez

Olvasói vélemények

Jelenleg nincsenek olvasói vélemények. Az értékelés 5 olvasói szavazat alapján történt.

Eredeti címe:

JMP for Mixed Models

Könyv tartalma:

Fedezze fel a vegyes modellek erejét a JMP és a JMP Pro segítségével.

A vegyes modellek ma már a kísérleti adatok elemzésének általános módszere. Miért? Mert vitathatatlanul a legegyszerűbb és leghatékonyabb módja a korrelált megfigyelések kezelésének a tervezett kísérletekben. A standard lineáris modelleken jóval túlmutató vegyes modellek lehetővé teszik, hogy pontos és precíz következtetéseket vonjon le a kísérleteiről, és mélyebb megértést nyerjen a vizsgált rendszer jel- és zajforrásaiból. A jól kialakított fix és véletlenszerű hatások jól általánosíthatók, és segítenek a legjobb adatvezérelt döntések meghozatalában.

A JMP for Mixed Models a SAS szoftverek két legerősebb hagyományát egyesíti: a kevert modelleket és a JMP-t. A JMP úttörő filozófiája, amely a statisztika szoros integrációját a dinamikus grafikával biztosítja, ideális közeg a vegyes modellek, más néven hierarchikus lineáris vagy többszintű modellek elsajátításához és alkalmazásához. Ha Ön tudós vagy mérnök, az itt leírt módszerek forradalmasíthatják a kísérleti adatok elemzését anélkül, hogy kódot kellene írnia.

A könyvben gazdag példagyűjteményt és lépésről lépésre történő megközelítést talál a vegyes modellek elsajátításához. A témakörök a következők:

⬤ A fix és véletlen hatások megfelelő felismerésének, beállításának és értelmezésének megtanulása.

⬤ A varianciaanalízis (ANOVA) és a lineáris regresszió kiterjesztése számos vegyes modellre.

⬤ A szabadságfokok működésének megértése a Skeleton ANOVA segítségével.

⬤ Randomizált blokk, split-plot, longitudinális és ismételt mérési tervek elemzése.

⬤ Továbbfejlesztett módszerek, például a térbeli kovariancia és az általánosított lineáris kevert modellek bemutatása.

⬤ Szimulált kevert modellek a teljesítmény és más fontos mintavételi jellemzők értékelésére.

⬤ Biztos keretet nyújt a statisztikai modellezés általános megértéséhez.

⬤ A Bayes-módszerek, a p-értékek és az oksági következtetés körüli modern dilemmák perspektívájának javítása.