ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Multi-state survival models for interval-censored data

دانلود کتاب مدل‌های بقای چند حالته برای داده‌های سانسور شده

Multi-state survival models for interval-censored data

مشخصات کتاب

Multi-state survival models for interval-censored data

ویرایش:  
نویسندگان:   
سری: Monographs on Statistics et Applied Probability 152 
ISBN (شابک) : 1466568402, 9781466568402 
ناشر: Chapman and Hall/CRC 
سال نشر: 2017 
تعداد صفحات: 257 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 2 مگابایت 

قیمت کتاب (تومان) : 40,000



کلمات کلیدی مربوط به کتاب مدل‌های بقای چند حالته برای داده‌های سانسور شده: بیومتری، جمعیت شناسی، روش های آماری، سیستم اطلاعات چند حالته، مشاهدات سانسور شده، فرآیندهای تصادفی



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 12


در صورت تبدیل فایل کتاب Multi-state survival models for interval-censored data به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب مدل‌های بقای چند حالته برای داده‌های سانسور شده نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.


توضیحاتی در مورد کتاب مدل‌های بقای چند حالته برای داده‌های سانسور شده



مدل‌های بقای چند حالته برای داده‌های بازه‌ای سانسور شده روش‌هایی را برای توصیف فرآیندهای تصادفی که از انتقال بین حالت‌ها در طول زمان تشکیل می‌شوند، معرفی می‌کند. این هدف برای محققان در آمار پزشکی، اپیدمیولوژی، جمعیت شناسی و آمار اجتماعی است. یکی از کاربردهای کتاب، فرآیند سه حالته برای زوال عقل و بقا در جمعیت مسن است. این فرآیند توسط یک مدل بیماری-مرگ با حالت عاری از زوال عقل، حالت زوال عقل و حالت مرده توصیف می شود. مدل‌سازی آماری فرآیند چند حالته می‌تواند ارتباط بالقوه بین خطر انتقال به حالت بعدی و متغیرهایی مانند سن، جنسیت یا تحصیلات را بررسی کند. همچنین می‌توان از یک مدل برای پیش‌بینی فرآیند چند حالته استفاده کرد.

روش‌ها برای داده‌های طولی هستند که تحت سانسور بازه‌ای قرار دارند. بسته به تعریف یک حالت، ممکن است زمان انتقال به حالت دقیقاً رعایت نشود. با این حال، زمانی که داده های طولی در دسترس هستند، زمان انتقال ممکن است در بازه زمانی تعریف شده توسط دو مشاهدات متوالی شناخته شود. چنین طرح مشاهداتی با سانسور بازه ای را می توان در استنتاج آماری در نظر گرفت.

مدل سازی چند حالته ترکیبی زیبا از استنتاج آماری و نظریه فرآیندهای تصادفی است. مدل‌های بقای چند حالته برای داده‌های سانسور شده با فاصله نشان می‌دهد که مدل‌سازی آماری همه‌کاره است و طیف وسیعی از کاربردها را امکان‌پذیر می‌کند.


توضیحاتی درمورد کتاب به خارجی

Multi-State Survival Models for Interval-Censored Data introduces methods to describe stochastic processes that consist of transitions between states over time. It is targeted at researchers in medical statistics, epidemiology, demography, and social statistics. One of the applications in the book is a three-state process for dementia and survival in the older population. This process is described by an illness-death model with a dementia-free state, a dementia state, and a dead state. Statistical modelling of a multi-state process can investigate potential associations between the risk of moving to the next state and variables such as age, gender, or education. A model can also be used to predict the multi-state process.

The methods are for longitudinal data subject to interval censoring. Depending on the definition of a state, it is possible that the time of the transition into a state is not observed exactly. However, when longitudinal data are available the transition time may be known to lie in the time interval defined by two successive observations. Such an interval-censored observation scheme can be taken into account in the statistical inference.

Multi-state modelling is an elegant combination of statistical inference and the theory of stochastic processes. Multi-State Survival Models for Interval-Censored Data shows that the statistical modelling is versatile and allows for a wide range of applications.



فهرست مطالب

Content: Preface    Introduction Multi-state survival models Basic concepts Examples Overview of methods and literature Data used in this book    Modelling Survival Data Features of survival data and basic terminology Hazard, density and survivor function Parametric distributions for time to event data Regression models for the hazard Piecewise-constant hazard Maximum likelihood estimation Example: survival in the CAV study    Progressive Three-State Survival Model Features of multi-state data and basic terminology Parametric models Regression models for the hazards Piecewise-constant hazards Maximum likelihood estimation A simulation study Example    General Multi-State Survival Model Discrete-time Markov process Continuous-time Markov processes Hazard regression models for transition intensities Piecewise-constant hazards Maximum likelihood estimation Scoring algorithm Model comparison Example Model validation Example    Frailty Models Mixed-effects models and frailty terms Parametric frailty distributions Marginal likelihood estimation Monte-Carlo Expectation-Maximisation algorithm Example: frailty in ELSA Non-parametric frailty distribution Example: frailty in ELSA (continued)    Bayesian Inference for Multi-State Survival Models Introduction Gibbs sampler Deviance Information Criterion (DIC) Example: frailty in ELSA (continued) Inference using the BUGS software    Redifual State-Specific Life Expectancy Introduction Definitions and data considerations Computation: integration Example: a three-state survival process Computation: micro-simulation Example: life expectancies in CFAS    Further Topics Discrete-time models for continuous-time processes Using cross-sectional data Missing state data Modelling the first observed state Misclassification of states Smoothing splines and scoring Semi-Markov models    Matrix P(t) When Matrix Q is Constant Two-state models Three-state models Models with more than three states    Scoring for the Progressive Three-State Model    Some Code for the R and BUGS Software General-purpose optimiser Code for Chapter 2 Code for Chapter 3 Code for Chapter 4 Code for numerical integration Code for Chapter 6    Bibliography    Index




نظرات کاربران