Data Analysis: A Model Comparison Approach to Regression, ANOVA, and Beyond is an integrated treatment of data analysis for the social and behavioral sciences. It covers all of the statistical models normally used in such analyses, such as multiple regression and analysis of variance, but it does so in an integrated manner that relies on the comparison of models of data estimated under the rubric of the general linear model. Data Analysis also describes how the model comparison approach and uniform framework can be applied to models that include product predictors (i.e., interactions and nonlinear effects) and to observations that are nonindependent. Indeed, the analysis of nonindependent observations is treated in some detail, including models of nonindependent data with continuously varying predictors as well as standard repeated measures analysis of variance. This approach also provides an integrated introduction to multilevel or hierarchical linear models and logistic regression. Finally, Data Analysis provides guidance for the treatment of outliers and other problematic aspects of data analysis. It is intended for advanced undergraduate and graduate level courses in data analysis and offers an integrated approach that is very accessible and easy to teach. Highlights of the third edition include: a new chapter on logistic regression; expanded treatment of mixed models for data with multiple random factors; updated examples; an enhanced website with PowerPoint presentations and other tools that demonstrate the concepts in the book; exercises for each chapter that highlight research findings from the literature; data sets, R code, and SAS output for all analyses; additional examples and problem sets; and test questions.
In dem Band beschreiben die Autoren erstmals klassische Regressionsansätze und moderne nicht- und semiparametrische Methoden in einer integrierten und anwendungsorientierten Form. Um Lesern die Analyse eigener Fragestellungen zu ermöglichen, demonstrieren sie die praktische Anwendung der Konzepte und Methoden anhand ausführlicher Fallstudien. Geeignet für Studierende der Statistik sowie für Wissenschaftler und Praktiker, zum Beispiel in den Wirtschafts- und Sozialwissenschaften, der Bioinformatik und -statistik, Ökonometrie und Epidemiologie.
Wenn Sie programmieren können, beherrschen Sie bereits Techniken, um aus Daten Wissen zu extrahieren. Diese kompakte Einführung in die Statistik zeigt Ihnen, wie Sie rechnergestützt, anstatt auf mathematischem Weg Datenanalysen mit Python durchführen können. Praktischer Programmier-Workshop statt grauer Theorie: Das Buch führt Sie anhand eines durchgängigen Fallbeispiels durch eine vollständige Datenanalyse -- von der Datensammlung über die Berechnung statistischer Kennwerte und Identifikation von Mustern bis hin zum Testen statistischer Hypothesen. Gleichzeitig werden Sie mit statistischen Verteilungen, den Regeln der Wahrscheinlichkeitsrechnung, Visualisierungsmöglichkeiten und vielen anderen Arbeitstechniken und Konzepten vertraut gemacht. Statistik-Konzepte zum Ausprobieren: Entwickeln Sie über das Schreiben und Testen von Code ein Verständnis für die Grundlagen von Wahrscheinlichkeitsrechnung und Statistik: Überprüfen Sie das Verhalten statistischer Merkmale durch Zufallsexperimente, zum Beispiel indem Sie Stichproben aus unterschiedlichen Verteilungen ziehen. Nutzen Sie Simulationen, um Konzepte zu verstehen, die auf mathematischem Weg nur schwer zugänglich sind. Lernen Sie etwas über Themen, die in Einführungen üblicherweise nicht vermittelt werden, beispielsweise über die Bayessche Schätzung. Nutzen Sie Python zur Bereinigung und Aufbereitung von Rohdaten aus nahezu beliebigen Quellen. Beantworten Sie mit den Mitteln der Inferenzstatistik Fragestellungen zu realen Daten.
A comprehensive and timely edition on an emerging new trend in time series Linear Models and Time-Series Analysis: Regression, ANOVA, ARMA and GARCH sets a strong foundation, in terms of distribution theory, for the linear model (regression and ANOVA), univariate time series analysis (ARMAX and GARCH), and some multivariate models associated primarily with modeling financial asset returns (copula-based structures and the discrete mixed normal and Laplace). It builds on the author's previous book, Fundamental Statistical Inference: A Computational Approach, which introduced the major concepts of statistical inference. Attention is explicitly paid to application and numeric computation, with examples of Matlab code throughout. The code offers a framework for discussion and illustration of numerics, and shows the mapping from theory to computation. The topic of time series analysis is on firm footing, with numerous textbooks and research journals dedicated to it. With respect to the subject/technology, many chapters in Linear Models and Time-Series Analysis cover firmly entrenched topics (regression and ARMA). Several others are dedicated to very modern methods, as used in empirical finance, asset pricing, risk management, and portfolio optimization, in order to address the severe change in performance of many pension funds, and changes in how fund managers work. Covers traditional time series analysis with new guidelines Provides access to cutting edge topics that are at the forefront of financial econometrics and industry Includes latest developments and topics such as financial returns data, notably also in a multivariate context Written by a leading expert in time series analysis Extensively classroom tested Includes a tutorial on SAS Supplemented with a companion website containing numerous Matlab programs Solutions to most exercises are provided in the book Linear Models and Time-Series Analysis: Regression, ANOVA, ARMA and GARCH is suitable for advanced masters students in statistics and quantitative finance, as well as doctoral students in economics and finance. It is also useful for quantitative financial practitioners in large financial institutions and smaller finance outlets.
Machine Learning ist zu einem wichtigen Bestandteil vieler kommerzieller Anwendungen und Forschungsprojekte geworden, von der medizinischen Diagnostik bis hin zur Suche nach Freunden in sozialen Netzwerken. Um Machine-Learning-Anwendungen zu entwickeln, braucht es keine großen Expertenteams: Wenn Sie Python-Grundkenntnisse mitbringen, zeigt Ihnen dieses Praxisbuch, wie Sie Ihre eigenen Machine-Learning-Lösungen erstellen. Mit Python und der scikit-learn-Bibliothek erarbeiten Sie sich alle Schritte, die für eine erfolgreiche Machine-Learning-Anwendung notwendig sind. Die Autoren Andreas Müller und Sarah Guido konzentrieren sich bei der Verwendung von Machine-Learning-Algorithmen auf die praktischen Aspekte statt auf die Mathematik dahinter. Wenn Sie zusätzlich mit den Bibliotheken NumPy und matplotlib vertraut sind, hilft Ihnen dies, noch mehr aus diesem Tutorial herauszuholen. Das Buch zeigt Ihnen: - grundlegende Konzepte und Anwendungen von Machine Learning - Vor- und Nachteile weit verbreiteter maschineller Lernalgorithmen - wie sich die von Machine Learning verarbeiteten Daten repräsentieren lassen und auf welche Aspekte der Daten Sie sich konzentrieren sollten - fortgeschrittene Methoden zur Auswertung von Modellen und zum Optimieren von Parametern - das Konzept von Pipelines, mit denen Modelle verkettet und Arbeitsabläufe gekapselt werden - Arbeitsmethoden für Textdaten, insbesondere textspezifische Verarbeitungstechniken - Möglichkeiten zur Verbesserung Ihrer Fähigkeiten in den Bereichen Machine Learning und Data Science Dieses Buch ist eine fantastische, super praktische Informationsquelle für jeden, der mit Machine Learning in Python starten möchte – ich wünschte nur, es hätte schon existiert, als ich mit scikit-learn anfing! Hanna Wallach, Senior Researcher, Microsoft Research
Designing Experiments and Analyzing Data: A Model Comparison Perspective (3rd edition) offers an integrative conceptual framework for understanding experimental design and data analysis. Maxwell, Delaney, and Kelley first apply fundamental principles to simple experimental designs followed by an application of the same principles to more complicated designs. Their integrative conceptual framework better prepares readers to understand the logic behind a general strategy of data analysis that is appropriate for a wide variety of designs, which allows for the introduction of more complex topics that are generally omitted from other books. Numerous pedagogical features further facilitate understanding: examples of published research demonstrate the applicability of each chapter’s content; flowcharts assist in choosing the most appropriate procedure; end-of-chapter lists of important formulas highlight key ideas and assist readers in locating the initial presentation of equations; useful programming code and tips are provided throughout the book and in associated resources available online, and extensive sets of exercises help develop a deeper understanding of the subject. Detailed solutions for some of the exercises and realistic data sets are included on the website (DesigningExperiments.com). The pedagogical approach used throughout the book enables readers to gain an overview of experimental design, from conceptualization of the research question to analysis of the data. The book and its companion website with web apps, tutorials, and detailed code are ideal for students and researchers seeking the optimal way to design their studies and analyze the resulting data.
Erfahren Sie alles über das Manipulieren, Bereinigen, Verarbeiten und Aufbereiten von Datensätzen mit Python: Aktualisiert auf Python 3.6, zeigt Ihnen dieses konsequent praxisbezogene Buch anhand konkreter Fallbeispiele, wie Sie eine Vielzahl von typischen Datenanalyse-Problemen effektiv lösen. Gleichzeitig lernen Sie die neuesten Versionen von pandas, NumPy, IPython und Jupyter kennen.Geschrieben von Wes McKinney, dem Begründer des pandas-Projekts, bietet Datenanalyse mit Python einen praktischen Einstieg in die Data-Science-Tools von Python. Das Buch eignet sich sowohl für Datenanalysten, für die Python Neuland ist, als auch für Python-Programmierer, die sich in Data Science und Scientific Computing einarbeiten wollen. Daten und zugehöriges Material des Buchs sind auf GitHub verfügbar.Aus dem Inhalt:Nutzen Sie die IPython-Shell und Jupyter Notebook für das explorative ComputingLernen Sie Grundfunktionen und fortgeschrittene Features von NumPy kennenSetzen Sie die Datenanalyse-Tools der pandasBibliothek einVerwenden Sie flexible Werkzeuge zum Laden, Bereinigen, Transformieren, Zusammenführen und Umformen von DatenErstellen Sie interformative Visualisierungen mit matplotlibWenden Sie die GroupBy-Mechanismen von pandas an, um Datensätzen zurechtzuschneiden, umzugestalten und zusammenzufassenAnalysieren und manipulieren Sie verschiedenste Zeitreihen-DatenFür diese aktualisierte 2. Auflage wurde der gesamte Code an Python 3.6 und die neuesten Versionen der pandas-Bibliothek angepasst. Neu in dieser Auflage: Informationen zu fortgeschrittenen pandas-Tools sowie eine kurze Einführung in statsmodels und scikit-learn.
Learn to perform a wide variety of regression analyses using SAS software with this example-driven favorite from SAS Publishing. With SAS System for Regression, Third Edition, you will learn the basics of performing regression analyses using a wide variety of models including nonlinear models. Other topics include performing linear regression analyses using PROC REG and diagnosing and providing remedies for data problems, including outliers and multicollinearity. Examples feature numerous SAS procedures including REG, PLOT, GPLOT, NLIN, RSREG, AUTOREG, PRINCOMP, and others. Authors Rudolf Freund and Ramon Littell supply a helpful discussion of theory where necessary. Some knowledge of both regression and SAS are assumed. The updated third edition includes revisions, updated material, and new material. You'll find information on using SAS/INSIGHT software, regression with a binary response with emphasis on PROC LOGISTIC, and nonparametric regression (smoothing) using moving averages and PROC LOESS. Additionally, updated material throughout the book includes high-resolution PROC REG graphics output, data sets by the OUTEST option described and illustrated, and using PROC SCORE to predict another data set.
Introduces a range of data analysis problems encountered in drug development and illustrates them using case studies from actual pre-clinical experiments and clinical studies. Includes a discussion of methodological issues, practical advice from subject matter experts, and review of relevant regulatory guidelines.
A textbook on the use of advanced statistical methods in healthcare sciences Primer of Applied Regression & Analysis of Variance is a textbook especially created for medical, public health, and social and environmental science students who need applied (not theoretical) training in the use of statistical methods. The book has been acclaimed for its user-friendly style that makes complicated material understandable to readers who do not have an extensive math background. The text is packed with learning aids that include chapter-ending summaries and end-of-chapter problems that quickly assess mastery of the material. Examples from biological and health sciences are included to clarify and illustrate key points. The techniques discussed apply to a wide range of disciplines, including social and behavioral science as well as health and life sciences. Typical courses that would use this text include those that cover multiple linear regression and ANOVA. Four completely new chapters Completely updated software information and examples
Dieses Lehrbuch vermittelt die für das Psychologiestudium wichtigen Methoden der wissenschaftlichen Disziplin „Statistik“. Nach einer Einführung in die gängigen Messmethoden werden die Grundlagen der Beschreibenden Statistik erläutert. Weitere Kapitel behandeln die Voraussetzungen und Methoden der Schließenden Statistik, wie Wahrscheinlichkeitstheorie und Zufallsziehungen, und erörtern Methoden zur Schätzung von grundlegenden Parametern wie Erwartungswert und Varianz. Ausführlich werden die Verfahren der Varianz-, Regressions- und Korrelationsanalyse sowie die einfache und multiple Regression dargestellt. Abschließend gehen die Autoren auf Grundlagen der Modellbildung und theoriebildende Verfahren wie die Cluster- und die Faktorenanalyse ein. Zur Illustration der Inhalte werden viele Beispiele aus der psychologischen Forschung verwendet, wobei immer auch das Vorgehen mit den Statistikprogrammen R und SPSS erläutert wird. Ein breiter Raum wird der Untersuchungsplanung gewidmet, die für empirische Forschungsarbeiten im Master- und Promotionsstudium unverzichtbar ist. Das Buch vermittelt somit nicht nur das notwendige Verständnis für die Inhalte der Statistik, sondern stellt für fortgeschrittene Studierende auch ein geeignetes Nachschlagewerk dar.
Die Standardeinführung für SPSS ist auf der Basis zahlreicher neuer Datensätze für die Version 16 vollständig überarbeitet und erweitert worden. Ausgehend von Problemstellungen aus der Praxis wird gezeigt, wie Sie mit SPSS arbeiten können. Die Beispiele basieren meist auf Fallstudien und sind vor allem dem sozialwissenschaftlichen und dem psychologisch-medizinischen Bereich entnommen. Der Autor beschreibt ausführlich den kompletten statistischen Inhalt der Module Base, Regression Models und Advanced Models. In der 11. Auflage des Werks nimmt erstmals auch die Korrespondenzanalyse einen breiten Raum ein; ein Verfahren, das immer häufiger eingesetzt wird und Zusammenhänge von Variablen optisch als Punkte eines geometrischen Raums aufbereitet.
Named a 2013 Doody's Essential Purchase! Named a "Choice Outstanding Academic Title" for 2007 and an "AJN Book of the Year" The award-winning Encyclopedia of Nursing Research, now in its third edition, is the comprehensive resource for tracking developments in the field. With over 20 new areas of research, and meticulous updates of original entries, the encyclopedia presents key terms and concepts and their application to practice. Pithy entries provide the most relevant and current research perspectives, and will be a starting point for future content and references. Nurse researchers, educators, students, and all clinical specialties will find the encyclopedia an important introduction to the breadth of nursing research today. New topics include NIH-funded research areas, a comprehensive survey of major nursing research journals, addictions care, palliative care, translational science, simulation, trauma care, family-centered care, mild cognitive impairment, active surveillance for cancer care, workplace and empowerment research, nurse engagement, nurse-physician collaboration, CAM and empowerment research, spirituality, synthesis and action research, mixed methods research, systematic review, ethnopharmacology, and more. Key Features: Includes NIH-funded research topics Provides a comprehensive survey of major nursing research journals Adds over 20 new areas of research and updates original entries Written by over 200 nursing research experts Organized alphabetically for easy access to information
Gegenstand des Werkes sind Analyse und Modellierung von Zeitreihen. Es wendet sich an Studierende und Praktiker aller Disziplinen, in denen Zeitreihenbeobachtungen wichtig sind.
I. Forscher und Wissenschaftler: Die Auswahl der Tatsachen / Die Zukunft der Mathematik / Die mathematische Erfindung / Der Zufall II. Die mathematische Schlußweise: Die Relativität des Raumes / Die mathematischen Definitionen und der Unterricht / Mathematik und Logik / Die neue Logik / Die neuesten Arbeiten der Logistiker III. Die neue Mechanik: Mechanik und Radium / Mechanik und Optik / Die neue Mechanik und die Astronomie IV. Die Wissenschaft der Astronomie: Milchstraße und Gastheorie / Die Geodäsie in Frankreich Erläuternde Anmerkungen (von F. Lindemann) "Viele Mathematiker glauben, daß man die Mathematik auf die Gesetze der formalen Logik zurückführen kann. Unerhörte Anstrengungen wurden zu diesem Zwecke unternommen; zur Erreichung des bezeichneten Zieles scheute man sich z.B. nicht, die historische Ordnung in der Entstehung unserer Vorstellungen umzukehren, und man suchte das Endliche durch das Unendliche zu erklären. Für alle, welche das Problem ohne Voreingenommenheit angereifen, glaube ich im folgenden gezeigt zu haben, daß diesem Bestreben eine trügerische Illusion zugrunde liegt. Wie ich hoffe, wird der Leser die Wichtigkeit der Frage verstehen [...]." Henri Poincaré
Der neue Bestseller von Gerd Gigerenzer Erinnern wir uns an die weltweite Angst vor der Schweinegrippe, als Experten eine nie dagewesene Pandemie prognostizierten und Impfstoff für Millionen produziert wurde, der später still und heimlich entsorgt werden musste. Für Gerd Gigerenzer ist dies nur ein Beleg unseres irrationalen Umgangs mit Risiken. Und das gilt für Experten ebenso wie für Laien. An Beispielen aus Medizin, Rechtswesen und Finanzwelt erläutert er, wie die Psychologie des Risikos funktioniert, was sie mit unseren entwicklungsgeschichtlich alten Hirnstrukturen zu tun hat und welche Gefahren damit einhergehen. Dabei analysiert er die ungute Rolle von irreführenden Informationen, die von Medien und Fachleuten verbreitet werden. Doch Risiken und Ungewissheiten richtig einzuschätzen kann und sollte jeder lernen. Diese Risikoschulung erprobt Gigerenzer seit vielen Jahren mit verblüffenden Ergebnissen. Sein Fazit: Schon Kinder können lernen, mit Risiken realistisch umzugehen und sich gegen Panikmache wie Verharmlosung zu immunisieren.

Best Books