لایب سان

Several recent advances in smoothing and semiparametric regression are presented in this book from a unifying, Bayesian perspective. Simulation-based full Bayesian Markov chain Monte Carlo (MCMC) inference, as well as empirical Bayes procedures closely related to penalized likelihood estimation and mixed models, are considered here. Throughout, the focus is on semiparametric regression and smoothing based on basis expansions of unknown functions and effects in combination with smoothness priors for the basis coefficients.

Beginning with a review of basic methods for smoothing and mixed models, longitudinal data, spatial data and event history data are treated in separate chapters. Worked examples from various fields such as forestry, development economics, medicine and marketing are used to illustrate the statistical methods covered in this book. Most of these examples have been analyzed using implementations in the Bayesian software, BayesX, and some with R Codes.

چکیده فارسی

چندین پیشرفت اخیر در هموارسازی و رگرسیون نیمه پارامتریک در این کتاب از دیدگاه بیزی یکپارچه ارائه شده است. استنتاج کامل زنجیره مارکوف بیزی مونت کارلو (MCMC) مبتنی بر شبیه‌سازی، و همچنین رویه‌های تجربی بیز که از نزدیک با تخمین احتمال جریمه‌شده و مدل‌های ترکیبی مرتبط هستند، در اینجا در نظر گرفته می‌شوند. در کل، تمرکز بر رگرسیون نیمه پارامتریک و هموارسازی مبتنی بر بسط پایه توابع و اثرات ناشناخته در ترکیب با مقدمات همواری برای ضرایب پایه است.

با مروری بر روش‌های اساسی برای هموارسازی و مدل‌های ترکیبی، داده‌های طولی، داده‌های مکانی و داده‌های تاریخ رویداد در فصل‌های جداگانه بررسی می‌شوند. از نمونه های کار شده در زمینه های مختلف مانند جنگلداری، اقتصاد توسعه، پزشکی و بازاریابی برای نشان دادن روش های آماری تحت پوشش این کتاب استفاده شده است. بیشتر این نمونه‌ها با استفاده از پیاده‌سازی در نرم‌افزار بیزی، BayesX، و برخی با R Codes تجزیه و تحلیل شده‌اند.