Applied Multivariate Statistical Analysis
Autor Richard Johnson, Richard A. Johnson, Dean W. Wichernen Limba Engleză Paperback – 24 iul 2013
Apreciem în Applied Multivariate Statistical Analysis rigoarea cu care Richard Johnson și Dean W. Wichern transformă teoria statistică în instrumente de lucru indispensabile. Volumul pune la dispoziția cititorului un arsenal complet de cadre de analiză, de la algebra matricială și vectori aleatori, până la reprezentări grafice și tehnici de măsurare a distanței între date. Descoperim o structură logică, organizată pentru progresie: primele capitole fundamentează geometria eșantionării și operațiile cu matrice, pregătind terenul pentru modelări multivariate avansate. Dacă Multivariate Statistics de Wolfgang Karl Härdle v-a oferit cadrul teoretic prin derivări și teste, această lucrare oferă instrumentele practice necesare pentru implementarea acestora în situații de business reale. Ne-a atras atenția modul în care autorii integrează exercițiile aplicate, transformând fiecare concept abstract într-o competență executabilă. Deși numele autorului apare în alte contexte editoriale, precum literatura pentru copii sau ficțiunea (vezi Children of the Throne), această ediție a șasea publicată de Pearson rămâne o piatră de temelie în domeniul cercetării de piață, fiind axată strict pe rezultate cuantificabile și metodologii verificate în mediul academic și corporativ.
Preț: 610.34 lei
Preț vechi: 701.54 lei
-13%
Carte disponibilă
Livrare economică 20 mai-03 iunie
Livrare express 05-09 mai pentru 82.98 lei
Specificații
ISBN-10: 1292024941
Pagini: 774
Dimensiuni: 216 x 276 x 42 mm
Greutate: 1.88 kg
Ediția:6. Auflage
Editura: Pearson
![An Introduction to Java Programming and Object-Oriented Application Development [With CD-ROM]: With the Unified Process](https://i1.books-express.ro/bt/9780619217464/an-introduction-to-java-programming-and-object-oriented-application-development-with-cd-rom.jpg)
De ce să citești această carte
Această carte este esențială pentru analiștii de date și specialiștii în cercetare de piață care doresc să stăpânească analiza multivariată. Veți câștiga o înțelegere profundă a structurilor de date complexe și capacitatea de a aplica modele statistice riguroase. Este un manual practic care vă învață cum să interpretați corect variațiile simultane ale mai multor variabile, oferind un avantaj competitiv în luarea deciziilor bazate pe date.
Despre autor
Richard Johnson este un specialist recunoscut în domeniul analizei statistice și marketingului, activând în Salt Lake City. Colaborarea sa cu Dean W. Wichern pentru Applied Multivariate Statistical Analysis a devenit o referință standard în mediul universitar internațional. Deși profilul autorului include și incursiuni în literatura de ficțiune sau proiecte narative precum The Thing at 52, expertiza sa principală în cadrul acestei lucrări de specialitate se concentrează pe rigoarea matematică și aplicabilitatea metodelor statistice în mediul de afaceri, fiind publicat sub egida prestigioasei edituri Pearson.
Cuprins
(NOTE: Each chapter begins with an Introduction, and concludes with Exercises and References.)
I. GETTING STARTED.
1. Aspects of Multivariate Analysis. Applications of Multivariate Techniques. The Organization of Data. Data Displays and Pictorial Representations. Distance. Final Comments.2. Sample Geometry and Random Sampling. The Geometry of the Sample. Random Samples and the Expected Values of the Sample Mean and Covariance Matrix. Generalized Variance. Sample Mean, Covariance, and Correlation as Matrix Operations. Sample Values of Linear Combinations of Variables.
3. Matrix Algebra and Random Vectors.
Some Basics of Matrix and Vector Algebra. Positive Definite Matrices. A Square-Root Matrix. Random Vectors and Matrices. Mean Vectors and Covariance Matrices. Matrix Inequalities and Maximization. Supplement 2A Vectors and Matrices: Basic Concepts.
4. The Multivariate Normal Distribution. The Multivariate Normal Density and Its Properties. Sampling from a Multivariate Normal Distribution and Maximum Likelihood Estimation. The Sampling Distribution of `X and S. Large-Sample Behavior of `X and S. Assessing the Assumption of Normality. Detecting Outliners and Data Cleaning. Transformations to Near Normality. II. INFERENCES ABOUT MULTIVARIATE MEANS AND LINEAR MODELS.
5. Inferences About a Mean Vector. The Plausibility of …m0 as a Value for a Normal Population Mean. Hotelling's T 2 and Likelihood Ratio Tests. Confidence Regions and Simultaneous Comparisons of Component Means. Large Sample Inferences about a Population Mean Vector. Multivariate Quality Control Charts. Inferences about Mean Vectors When Some Observations Are Missing. Difficulties Due To Time Dependence in Multivariate Observations. Supplement 5A Simultaneous Confidence Intervals and Ellipses as Shadows of the p-Dimensional Ellipsoids.6. Comparisons of Several Multivariate Means. Paired Comparisons and a Repeated Measures Design. Comparing Mean Vectors from Two Populations. Comparison of Several Multivariate Population Means (One-Way MANOVA). Simultaneous Confidence Intervals for Treatment Effects. Two-Way Multivariate Analysis of Variance. Profile Analysis. Repealed Measures, Designs, and Growth Curves. Perspectives and a Strategy for Analyzing Multivariate Models.7. Multivariate Linear Regression Models. The Classical Linear Regression Model. Least Squares Estimation. Inferences About the Regression Model. Inferences from the Estimated Regression Function. Model Checking and Other Aspects of Regression. Multivariate Multiple Regression. The Concept of Linear Regression. Comparing the Two Formulations of the Regression Model. Multiple Regression Models with Time Dependant Errors. Supplement 7A The Distribution of the Likelihood Ratio for the Multivariate Regression Model. III. ANALYSIS OF A COVARIANCE STRUCTURE.
8. Principal Components. Population Principal Components. Summarizing Sample Variation by Principal Components. Graphing the Principal Components. Large-Sample Inferences. Monitoring Quality with Principal Components. Supplement 8A The Geometry of the Sample Principal Component Approximation.9. Factor Analysis and Inference for Structured Covariance Matrices. The Orthogonal Factor Model. Methods of Estimation. Factor Rotation. Factor Scores. Perspectives and a Strategy for Factor Analysis. Structural Equation Models. Supplement 9A Some Computational Details for Maximum Likelihood Estimation.10. Canonical Correlation Analysis Canonical Variates and Canonica