Walking readers step by step through complex concepts, this book translates missing data techniques into something that applied researchers and graduate students can understand and utilize in their own research.
具体描述
读后感
评分
评分
评分
评分
用户评价
心理系学生必读入门读物。不单单是研究中随处可见的missing value，还有基本方法。最大似然，贝叶斯，多重插补层层递进，结构清晰。其中多重插补是重点，我的学习路径，在已经学过最大似然估计的基础上，上来看第七章，看多重插补基本框架和必要基础，需要的假定是MAR,第一phase两步法是基于随机回归插补和贝叶斯估计。于是到第二章看懂single imputation系和其优缺点，以及MAR与MCAR的区别。再看第六章贝叶斯估计，再回头看第七第八章。如果不想对P步骤有过多细致的理解，贝叶斯未必要看，理论上学习路径可以更短。这样读下来时间不会很长。回头即可用mice包实现。事实上mice包考虑到研究者未必具有贝叶斯背景，已经极大简化。
评分心理系学生必读入门读物。不单单是研究中随处可见的missing value，还有基本方法。最大似然，贝叶斯，多重插补层层递进，结构清晰。其中多重插补是重点，我的学习路径，在已经学过最大似然估计的基础上，上来看第七章，看多重插补基本框架和必要基础，需要的假定是MAR,第一phase两步法是基于随机回归插补和贝叶斯估计。于是到第二章看懂single imputation系和其优缺点，以及MAR与MCAR的区别。再看第六章贝叶斯估计，再回头看第七第八章。如果不想对P步骤有过多细致的理解，贝叶斯未必要看，理论上学习路径可以更短。这样读下来时间不会很长。回头即可用mice包实现。事实上mice包考虑到研究者未必具有贝叶斯背景，已经极大简化。
评分心理系学生必读入门读物。不单单是研究中随处可见的missing value，还有基本方法。最大似然，贝叶斯，多重插补层层递进，结构清晰。其中多重插补是重点，我的学习路径，在已经学过最大似然估计的基础上，上来看第七章，看多重插补基本框架和必要基础，需要的假定是MAR,第一phase两步法是基于随机回归插补和贝叶斯估计。于是到第二章看懂single imputation系和其优缺点，以及MAR与MCAR的区别。再看第六章贝叶斯估计，再回头看第七第八章。如果不想对P步骤有过多细致的理解，贝叶斯未必要看，理论上学习路径可以更短。这样读下来时间不会很长。回头即可用mice包实现。事实上mice包考虑到研究者未必具有贝叶斯背景，已经极大简化。
评分心理系学生必读入门读物。不单单是研究中随处可见的missing value，还有基本方法。最大似然，贝叶斯，多重插补层层递进，结构清晰。其中多重插补是重点，我的学习路径，在已经学过最大似然估计的基础上，上来看第七章，看多重插补基本框架和必要基础，需要的假定是MAR,第一phase两步法是基于随机回归插补和贝叶斯估计。于是到第二章看懂single imputation系和其优缺点，以及MAR与MCAR的区别。再看第六章贝叶斯估计，再回头看第七第八章。如果不想对P步骤有过多细致的理解，贝叶斯未必要看，理论上学习路径可以更短。这样读下来时间不会很长。回头即可用mice包实现。事实上mice包考虑到研究者未必具有贝叶斯背景，已经极大简化。
评分心理系学生必读入门读物。不单单是研究中随处可见的missing value，还有基本方法。最大似然，贝叶斯，多重插补层层递进，结构清晰。其中多重插补是重点，我的学习路径，在已经学过最大似然估计的基础上，上来看第七章，看多重插补基本框架和必要基础，需要的假定是MAR,第一phase两步法是基于随机回归插补和贝叶斯估计。于是到第二章看懂single imputation系和其优缺点，以及MAR与MCAR的区别。再看第六章贝叶斯估计，再回头看第七第八章。如果不想对P步骤有过多细致的理解，贝叶斯未必要看，理论上学习路径可以更短。这样读下来时间不会很长。回头即可用mice包实现。事实上mice包考虑到研究者未必具有贝叶斯背景，已经极大简化。
相关图书
本站所有内容均为互联网搜索引擎提供的公开搜索信息，本站不存储任何数据与内容，任何内容与数据均与本站无关，如有需要请联系相关搜索引擎包括但不限于百度，google,bing,sogou 等
© 2025 book.wenda123.org All Rights Reserved. 图书目录大全 版权所有