JMP dla modeli mieszanych

Opinie czytelników

Obecnie brak opinii czytelników. Ocena opiera się na 5 głosach.

Oryginalny tytuł:

JMP for Mixed Models

Zawartość książki:

Odkryj moc modeli mieszanych z JMP i JMP Pro.

Modele mieszane są obecnie główną metodą analizy danych eksperymentalnych. Dlaczego? Są one prawdopodobnie najprostszym i najpotężniejszym sposobem radzenia sobie ze skorelowanymi obserwacjami w zaprojektowanych eksperymentach. Wykraczając daleko poza standardowe modele liniowe, modele mieszane umożliwiają dokładne i precyzyjne wnioskowanie na temat eksperymentów oraz głębsze zrozumienie źródeł sygnału i szumu w badanym systemie. Dobrze uformowane stałe i losowe efekty dobrze się uogólniają i pomagają podejmować najlepsze decyzje oparte na danych.

JMP for Mixed Models łączy w sobie dwie najsilniejsze tradycje oprogramowania SAS: modele mieszane i JMP. Przełomowa filozofia JMP polegająca na ścisłej integracji statystyki z dynamiczną grafiką jest idealnym środowiskiem do nauki i stosowania modeli mieszanych, znanych również jako hierarchiczne modele liniowe lub wielopoziomowe. Jeśli jesteś naukowcem lub inżynierem, opisane tutaj metody mogą zrewolucjonizować sposób analizowania danych eksperymentalnych bez konieczności pisania kodu.

Wewnątrz znajdziesz bogatą kolekcję przykładów i podejście krok po kroku do opanowania modeli mieszanych. Tematy obejmują:

⬤ Nauka właściwego rozpoznawania, konfigurowania i interpretowania efektów stałych i losowych.

⬤ Rozszerzenie analizy wariancji (ANOVA) i regresji liniowej na liczne modele mieszane.

⬤ Zrozumienie, w jaki sposób działają stopnie swobody przy użyciu Skeleton ANOVA.

⬤ Analiza randomizowanych projektów blokowych, split-plot, podłużnych i powtarzanych pomiarów.

⬤ Wprowadzenie bardziej zaawansowanych metod, takich jak kowariancja przestrzenna i uogólnione liniowe modele mieszane.

⬤ Symulowanie modeli mieszanych w celu oceny mocy i innych ważnych cech próbkowania.

⬤ Zapewnienie solidnych ram dla ogólnego zrozumienia modelowania statystycznego.

⬤ Poprawa spojrzenia na współczesne dylematy związane z metodami bayesowskimi, wartościami p i wnioskowaniem przyczynowym.