Книга "Basic and Advanced Bayesian Structural Equation Modeling. With Applications in the Medical and Behavioral Sciences" предоставляет исследователям четкие инструкции по применению структурных уравнений (Structural Equation Models - SEMs) для анализа взаимосвязей между наблюдаемыми и латентными переменными. В книге представлены базовые и продвинутые SEMs для анализа различных видов сложных данных, таких как упорядоченные и неупорядоченные категориальные данные, многоуровневые данные, смешанные данные, продолжительные данные, высоко не нормальные данные, а также некоторые их комбинации. В дополнение к этому, представлены байесовские полупараметрические SEMs для определения истинного распределения объясняющих латентных переменных, а также SEM с непараметрическими структурными уравнениями для оценки неопределенных функциональных отношений между латентными переменными.
Статистические методы разрабатываются с использованием байесовского подхода, что дает надежные результаты для небольших выборок и позволяет использовать априорную информацию, что приводит к лучшим статистическим результатам. Оценки параметров и статистики сравнения моделей получаются с помощью мощных методов Монте-Карло по схеме Маркова в статистическом вычислении. В книге также рассматриваются подходы к выбору априорных распределений и аугментации данных.
В книге обсуждаются Bayes factor, Deviance Information Criterion (DIC) и $L_\nu$-measure для сравнения байесовских моделей. Вводятся несколько важных обобщений SEMs, включая многоуровневые и смешанные SEMs, модели латентных кривых и продолжительные SEMs, полупараметрические SEMs и те, которые используют различные типы дискретных данных, а также непараметрические структурные уравнения.
В книге иллюстрируется, как использовать бесплатно доступное программное обеспечение WinBUGS для получения результатов. Книга содержит много реальных примеров для иллюстрации теоретических концепций и вычислительных процедур, представленных в книге. Данная книга будет полезна исследователям и студентам статистики, биостатистики, общественного здравоохранения, бизнеса, образования, психологии и социальных наук на продвинутом уровне.
Эта книга познакомит вас с тем, как применяются предполагаемые структурные модели для анализа сложных взаимосвязанных данных в биологии и социальных науках.
`Basic and Advanced Bayesian Strucutural Equation Modeling.' With Applications in Medical and Behavioural Sciences by Song Xin-yuan.
Электронная Книга «Basic and Advanced Bayesian Structural Equation Modeling. With Applications in the Medical and Behavioral Sciences» написана автором Song Xin-Yuan в году.
Минимальный возраст читателя: 0
Язык: Английский
ISBN: 9781118359433
Описание книги от Song Xin-Yuan
This book provides clear instructions to researchers on how to apply Structural Equation Models (SEMs) for analyzing the inter relationships between observed and latent variables. Basic and Advanced Bayesian Structural Equation Modeling introduces basic and advanced SEMs for analyzing various kinds of complex data, such as ordered and unordered categorical data, multilevel data, mixture data, longitudinal data, highly non-normal data, as well as some of their combinations. In addition, Bayesian semiparametric SEMs to capture the true distribution of explanatory latent variables are introduced, whilst SEM with a nonparametric structural equation to assess unspecified functional relationships among latent variables are also explored. Statistical methodologies are developed using the Bayesian approach giving reliable results for small samples and allowing the use of prior information leading to better statistical results. Estimates of the parameters and model comparison statistics are obtained via powerful Markov Chain Monte Carlo methods in statistical computing. Introduces the Bayesian approach to SEMs, including discussion on the selection of prior distributions, and data augmentation. Demonstrates how to utilize the recent powerful tools in statistical computing including, but not limited to, the Gibbs sampler, the Metropolis-Hasting algorithm, and path sampling for producing various statistical results such as Bayesian estimates and Bayesian model comparison statistics in the analysis of basic and advanced SEMs. Discusses the Bayes factor, Deviance Information Criterion (DIC), and $L_\nu$-measure for Bayesian model comparison. Introduces a number of important generalizations of SEMs, including multilevel and mixture SEMs, latent curve models and longitudinal SEMs, semiparametric SEMs and those with various types of discrete data, and nonparametric structural equations. Illustrates how to use the freely available software WinBUGS to produce the results. Provides numerous real examples for illustrating the theoretical concepts and computational procedures that are presented throughout the book. Researchers and advanced level students in statistics, biostatistics, public health, business, education, psychology and social science will benefit from this book.
