0人評分過此書
•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。
•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。
- 自序
-
Chapter 01 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 TaTa 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
-
-
Chapter 02 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）
-
-
-
Chapter 03 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）
-
-
-
Chapter 04 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（estat endogenous 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
-
-
-
Chapter 05 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
-
-
-
Chapter 06 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
-
-
-
Chapter 07 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
-
-
-
Chapter 08 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 單層：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
-
-
Chapter 09 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
-
-
Chapter 10 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 存活分析之有限混合模型（fmm: streg 指令）：手術傷口治癒模型
-
-
Chapter 11 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
-
-
Chapter 12 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
- 出版地 ： 臺灣
- 語言 ： 繁體中文
評分與評論
請登入後再留言與評分
PDF
PDF
PDF
PDF
PDF
