登入
｜
註冊
｜
會員中心
｜
結帳
｜
培訓課程
魔法弟子
｜
自資出版
｜
電子書
｜
客服中心
｜
智慧型立体會員
書名
出版社
作者
isbn
編號
5050魔法眾籌
|
NG書城
|
國際級品牌課程
|
優惠通知
|
霹靂英雄音樂精選
|
多變量分析方法：統計軟體應用(第六版)
．
Meta分析實作：使
．
研究方法：社會科學與
．
多層次模型(HLM)
文學小說
文學
｜
小說
商管創投
財經投資
｜
行銷企管
人文藝坊
宗教、哲學
社會、人文、史地
藝術、美學
｜
電影戲劇
勵志養生
醫療、保健
料理、生活百科
教育、心理、勵志
進修學習
電腦與網路
｜
語言工具
雜誌、期刊
｜
軍政、法律
參考、考試、教科用書
科學工程
科學、自然
｜
工業、工程
家庭親子
家庭、親子、人際
青少年、童書
玩樂天地
旅遊、地圖
｜
休閒娛樂
漫畫、插圖
｜
限制級
有限混合模型(FMM)：STaTa分析(以EM algorithm做潛在分類再迴歸分析)
作者：
張紹勳
分類：
財經投資
／
統計
叢書系列：研究&方法
出版社：
五南文化
出版日期：2018/6/25
ISBN：9789571196466
書籍編號：kk0469762
頁數：1016
定價：
1000
元
優惠價：
9
折
900
元
書價若有異動，以出版社實際定價為準
訂購後立即為您進貨
訂購後立即為您進貨：目前無庫存量,讀者下訂後,開始進入調書程序,一般天數約為2-10工作日(不含例假日)。
團購數最低為 20 本以上
評價數：
(請將滑鼠移至星星處進行評價)
目前平均評價：
文字連結
複製語法
<a href='https://www.silkbook.com/book_detail.asp?goods_ser=kk0469762'>有限混合模型(FMM)：STaTa分析(以EM algorithm做潛在分類再迴歸分析)</a>
圖片連結
複製語法
<a href='https://www.silkbook.com/book_detail.asp?goods_ser=kk0469762'><img src='https://www.silkbook.com/mall_image/bk/kk0469762.jpg' ALT='有限混合模型(FMM)：STaTa分析(以EM algorithm做潛在分類再迴歸分析)' height='120' width='90'></a>
分
享
內容簡介
作者介紹
書籍目錄
同類推薦
有限混合模型(FMM)：STaTa分析(以EM algorithm做潛在分類再迴歸分析) 本書特色 ．本書架構循序漸進，有步驟地說明有限混合模型(FMM)的原理和應用實例分析。 ．STaTa提供十七種有限混合模型(FFM)的估計法，功能十分龐大，您不能不知！ ．本書內容融合理論、方法及統計，每章節均輔以實例示範，學習效率提升。 ．適用於教育學、心理學、社會科學、生產管理、經濟、風險管理、人資管理、航運管理、財務金融、會計、公共衛生、工業工程等學術領域。 ．隨書附贈資料檔光碟。 有限混合模型(FMM)為一種混合分布的機率模型，其假定原始實測資料係自眾多但有限的未知分布得來，而FMM模型的EM演算法可自行分類，以減少模型因存在不同異質體而導致偏誤的結果。其框架提供了一個方便且靈活的方法來模擬複雜的異質資料庫。坊間常見的四十一種軟體，例如：SAS、R和SPSS等大型資料庫之檔案格式，都可轉至STaTa進行分析，STaTa亦提供十七種有限混合模型(FFM)的估計法，功能十分龐大、實用。有限混合模型(FMM) 早期應用在天文學、生物學、經濟學、工程學、市場行銷、醫學，現已流行於教育學、心理學、社會科學、人資管理、生產管理、航運管理、財務金融、會計等專業領域。 本書章節內容包含線性迴歸、次序迴歸、Logistic迴歸、多項Logistic迴歸、count迴歸、零膨脹迴歸、參數型存活迴歸、2SLS線性迴歸、order迴歸、Beta迴歸…等理論與實證研究，隨書附贈光碟資料檔，讓研究者在詳閱本書後，在進行此類研究方法的分析實作時，能得心應手並獲得最佳的研究成果。
作者簡介 張紹勳 學歷：國立政治大學資訊管理博士 現任：國立彰化師大專任教授 經歷：致理技術專任副教授
自序 Chapter01 地表最強的統計軟體STaTa 1-1 STaTa 如何讀入各種資料格式 1-1-1 SPSS 資料檔(*.sav) 轉成STaTa 格式 1-1-2 SAS 格式轉成STaTa 1-1-3 R 軟體之格式轉成STaTa 1-2 STaTa 是地表最強大的統計軟體 1-2-1 有限混合模型(finite mixtures models, FMM): EM algorithm指令 1-2-2 單層次：連續vs. 類別依變數迴歸之種類 1-2-3 STaTa 多層次混合模型的迴歸種類 1-2-4 STaTa panel-data 迴歸的種類 1-2-5 STaTa 流行病(epidemiologists) 之選擇表對應的指令 1-2-6 STaTa 存活分析的選擇表之對應指令 1-2-7 STaTa 縱貫面—時間序列之選擇表 1-2-8 依變數binary outcome 之STaTa 選擇表 1-3 評比敵對模型，適配指標有八種 Chapter02 有限混合模型(finite mixtures models, FMM配搭十七種指令) 2-1 有限混合模型(finite mixtures models, FMM) 2-1-1 高斯混合模型(Gaussian mixture model，簡稱GMM) 2-1-2 單一高斯機率密度函數的參數估測法 2-1-3 有限混合模型之對應指令 2-1-4a 有限混合模型之應用領域 2-1-4b 有限混合模型之研究議題 2-2 Gaussian 混合模型(GMM) 使用expectation maximization(EM) 技術 2-2-1 高斯混合模型與最大期望(EM) 演算法 2-2-2 EM algorithm 範例解說 2-3 高斯(Gaussian) 混合模型應用在圖形辨識 2-3-1 K-Means 分類(classifier) 法，如何演變成EM algorithm 呢？ 2-3-2 EM-GMM 建立的流程 2-3-3 期望值最大演算法(expectation maximization, EM) 之解說 2-3-4 EM algorithm 如何找出高斯混合模型(GMM) 潛在類別之解說？ 2-3-5 混合模型、潛在類別(class) 和EM 演算法(mixture model,latent class and EM algorithm) 2-4 最大概似(ML)vs. 期望值最大(EM) 演算法 2-4-1a 最大概似(ML) ≠概似比(LR) 2-4-1b EM 與ML 的關係解說 2-4-2a EM 演算法是使訓練數據的對數概似函數最大化( 重點解說) 2-4-2b 聚類(clustering) EM algorithm：簡單版 2-4-2c EM 演算法的推導(derivation of EM algorithm) 2-5 EM 演算法的工科論文 2-5-1 EM 演算法的範例：圖形模式分類(pattern classification) 2-5-2 EM 演算法的論文：圖像分割(image segmentation) Chapter03 高斯混合模型(fmm: regression 指令)、異質線性迴歸 3-1 機率密度函數(probability density function) 常見有十種 3-2 單一常態( 高斯) 分布之迴歸分析 3-3 單一分布之線性迴歸概念 3-3-1a 單層次固定效果：最小平方法OLS 重點整理(regress 指令) 3-3-1b 單層次固定效果：最小平方法(OLS) 七個假定的診斷及補救法 3-3-2 最小平方法(OLS) vs. 概似法 3-3-3 單一分布之各類型迴歸 3-3-4 Type I 誤差α、Type II 誤差β、檢定力：ROC 圖的切斷點 3-4 雙高斯混合模型之解說 3-4-1 EM 演算法如何求解高斯混合模型？ 3-4-2 混合模型有十七種：STaTa 指令語法 3-4-3a 雙高斯混合模型：重點回顧 3-4-3b EM 演算法是使訓練數據的對數概似函數最大化：簡單版 3-4-3c 雙高斯混合模型(fmm 2: regress指令)：婦女全薪wagefull 3-4-4 參高斯混合模型(fmm 3: regress 指令)：Ln(醫療花費) Chapter04 有限混合模型：線性迴歸(fmm:開頭指令) 4-1 內生共變數之線性迴歸(2SLS)(ivregression) 指令 4-2 工具變數及兩階段最小平方法(2SLS) (ivregression) 指令 4-2-1 進行OLS 統計分析時應注意之事項 4-2-2 工具變數(IV) 之重點整理 4-2-3 隨機解釋變數X(random regressor) 與工具變數Z(instrumental variable) 4-2-4a 單一工具變數及單一內生變數：內生性檢定 4-2-4b 兩階段最小平方法迴歸：Wu-Hausman 內生性檢定(estatendogenous指令) 4-2-5 為何需要多個工具變數？ 4-2-6 工具變數(instrumental variables) 在教育應用 . 4-2-7 兩階段迴歸vs. 最小平方法迴歸之練習題 4-3 橫斷面/panel：如何偵測需要工具變數呢？ 4-3-1 為何「教育水準」需要多個工具變數Z 呢？ 4-3-2 橫斷面Hausman 檢定：OLS vs. 2SLS 誰優？(hausman 指令) 4-3-3 Panel-data Hausman-Taylor 法：需工具變數嗎？(xthtaylor) 4-4 內生共變數之混合模型(2SLS)(fmm : ivregression) 指令) 4-4-1 2SLS 混合模型 4-4-2 內生共變數之線性迴歸混合模型(2SLS)(fmm: ivregression) 指令：房租之影響因素 Chapter05 有限混合模型：logistic 迴歸(fmm:開頭指令) 5-1 logistic 迴歸之概念 5-1-1 logistic 迴歸假定、迴歸式解說 5-1-2 STaTa 之單一binary regression 選擇表之對應指令 5-2 單一邏輯斯迴歸的入門 5-2-1a 單模型之logistic 迴歸分析：年齡與罹患冠心病(CHD)關係 5-2-1b 單一logistic 迴歸之再練習：年齡與罹患冠心病(CHD)關係 5-3 對數常態(log-normal) 分布、對數logistic (log-log) 分布 5-3-1 對數常態(log-normal) 分布：偏態分布 5-3-2 對數邏輯斯分布(log-logistic)：偏態分布 5-4 雙邏輯斯混合模型(fmm 2 : logit指令)：電子支付之因素 5-5 雙機率混合模型(fmm 2: probit指令)：電子支付之因素 5-5-1 線性機率迴歸模型(probit regression) vs. logistic 模型 5-5-2 雙機率迴歸分析：電子支付影響因素 5-6 雙complementary log-logistic 模型(fmm 2: cloglog 指令)：電子支付之因素 5-6-1 對數- 邏輯斯模型(complementary log-logistic model) 5-6-2 雙「對數- 邏輯斯」模型(complementary log-log model)：電子支付 Chapter06 有限混合模型：多項Logit 迴歸(「fmm:」開頭mlogit 等指令) 6-1 離散選擇模型(asmprobit、mlogit、fmlogit、bayes: mlogit、mprobit、clogit、asclogit、ologit、logit、xtologit、zip 等指令) 6-1-1 離散選擇模型(DCM) 概念 6-1-2 離散選擇模型(DCM) 之數學式：以住宅選擇為例 6-2 單分布之多項邏輯斯模型(multinominal logit model, MNL) 6-3 Multinomial logit 迴歸分析：職業選擇種類(mlogit 指令) 6-4 多項邏輯斯迴歸分析：乳房攝影(mammo-graph) 選擇的因素(mlogit 指令) 6-5 多項機率迴歸分析(multinomial probit regression)：三種保險的選擇(mprobit 指令) 6-6 多項式邏輯斯迴歸 6-6-1 個人化的行為預測和市場區隔的行為預測何者較有效度? 6-6-2 品牌選擇行為模型：隨機效用模型vs. 混合分群之多項式邏輯斯迴歸模型 6-7 雙多項Logit 迴歸(fmm: mlogit指令)：汽車品牌選擇 6-7-1 雙多項邏輯斯混合模型(fmm: mlogit指令)：三種汽車品牌選擇 Chapter07 有限混合模型：Ordinal outcomes 迴歸(fmm:開頭ologit、oprobit 指令) 7-1 離散選擇模型(asmprobit、mlogit、fmlogit、bayes: mlogit、mprobit、clogit、asclogit、ologit、logit、xtologit、zip 等指令) 7-2 Ordered Logit 及Ordered Probit 模型之概念 7-3 Ordered Logit 及Ordered Probit 迴歸分析：影響親子親密關係的因素(reg、listcoef、prgen、ologit、logit) 7-4 Ordered Logit 迴歸分析：Copenhagen 的住房條件(ologit、lrtest、graph bar、oprobit 指令) 7-5 雙Ordered logistic 混合迴歸(fmm: ologit 指令)：健康等級之因素 7-6 雙Ordered probit 混合模型(fmm : oprobit 指令)：健康等級之因素 7-6-1 Ordered probit regression 混合模型之指令 . 7-6-2 Ordered probit regression 混合模型：健康等級之因素 Chapter08 有限混合模型：計次(count) 迴歸(fmm:開頭指令) 8-1 單分布Count 依變數：零膨脹Poisson 迴歸 vs. negative binomial迴歸 8-1-1 Poisson 分布 8-1-2 負二項(negative binomial) 分布 8-1-3 零膨脹(Zero-inflated)Poisson 分布 8-2 單分布Count 依變數：零膨脹Poisson 迴歸 vs. 負二項迴歸(zip、nbreg、prgen 指令) 8-3 單Zero-inflated ordered probit regression 練習：釣魚(zip 指令) 8-4 單零膨脹Ordered probit 迴歸分析：抽菸嚴重度(zioprobit 指令) 8-5 雙負二項混合模型(fmm: nbreg 指令)：精神科患者隨訪次數 8-6 雙Poisson 混合模型分析(fmm: poisson 指令)：醫生問診次數 8-7 雙零膨脹Poisson 之混合模型(fmm :pointmass指令)：釣魚數量 Chapter09 設限(censored) 混合模型、截斷(truncated)混合模型(fmm: tobit、fmm: tpoisson、fmm:intreg 指令) 9-1 單區間設限(interval-censoring) 迴歸(tobit 指令)：學習成就的因素 9-2 雙tobit regression 模型(fmm: tobit 指令)：大學生GPA 分數 9-3 雙區間(interval) 迴歸模型(fmm: intreg 指令)：婦女工資類別的上下限 9-4 單截斷(truncated) 迴歸分析(truncreg 指令)：學習成就的因素 9-5 雙truncated 線性迴歸模型(fmm: truncreg 指令)：妻子工作時數 9-6 雙Truncated Poisson 迴歸(fmm: tpoisson 指令)：買步鞋數量 Chapter10 Cox 存活分析vs. 雙存活迴歸模型(fmm:streg 指令) 10-1 Cox 存活分析：臨床研究最重要統計法 10-2 存活分析(survival analysis) 介紹 10-2-1 存活分析之定義 10-2-2 為何存活分析是臨床研究最重要的統計法？ 10-2-3 存活分析之三種研究目標 10-2-4 存活分析之研究議題 10-2-5 設限資料(censored data) 10-2-6 存活時間T 之機率函數 10-2-7 Cox 存活分析vs. Logit 模型/Probit 模型的差異 10-3 存活分析範例：除草有助幼苗存活率嗎？ 10-3-1 生命表(life table) 10-3-2 存活分析範例[ 依序(estat phtest、sts graph、ltable 或sts list、stci、stmh、stcox 指令)] 10-4 Cox 比例危險模型(proportional hazards model)(stcox 指令) 10-4-1 f(t) 機率密度函數、S(t) 存活函數、h(t) 危險函數、H(t) 累積危險函數 10-4-2 Cox 比例危險模型之迴歸式解說 10-4-3 危險函數的估計(hazard function) 10-4-4 Cox 比例危險模型之適配度檢定 10-4-5 Cox 模型之相對風險(relative risk, RR) 10-5 Logit 模型、Cox 迴歸、Probit 模型的概念比較 10-6 存活分析之有限混合模型(fmm: streg 指令)：手術傷口治癒模型 Chapter11 有限混合模型：Beta 迴歸(fmm: betareg等指令) 11-1 Beta 分布(Beta distribution) 11-1-1 Beta 分布之概念 11-1-2 Beta 分布的特性 11-2 雙Beta 迴歸分析(fmm: betareg 指令)：就讀學校合格率之因素 Chapter12 有限混合模型：GLM 迴歸(fmm: glm等指令) 12-1 廣義線型模型(generalized linear regression models) 12-1-1 廣義線性迴歸之概念 12-1-2 指數分布族、廣義線性模型之建模 12-2 參對數常態混合模型[fmm 3: regress、fmm 3：glm, family(lognormal)指令]：郵票厚度為例 參考文獻
Global Bus
探索感官資料：深入市
不懂公式也OK！用統
JASP統計分析與實
別怕！零基礎的財務報
看圖秒懂！社會人必修
今天能賣多少球？從冰
薯條每包有幾根？從漢
極簡貝氏統計學
Statistics
為了保障您的權益，新絲路網路書店所購買的商品均享有到貨七天的鑑賞期（含例假日）。退回之商品必須於鑑賞期內寄回（以郵戳或收執聯為憑），且商品必須是全新狀態與完整包裝(商品、附件、內外包裝、隨貨文件、贈品等)，否則恕不接受退貨。
