JMP per modelli misti

Recensioni dei lettori

Attualmente non ci sono recensioni dei lettori. La valutazione si basa su 5 voti.

Titolo originale:

JMP for Mixed Models

Contenuto del libro:

Scopri la potenza dei modelli misti con JMP e JMP Pro.

I modelli misti sono oggi il metodo più diffuso per l'analisi dei dati sperimentali. Perché? Sono probabilmente il modo più semplice e potente per gestire le osservazioni correlate negli esperimenti progettati. I modelli misti, che vanno ben oltre i modelli lineari standard, consentono di fare inferenze accurate e precise sugli esperimenti e di comprendere più a fondo le fonti di segnale e di rumore nel sistema in esame. Effetti fissi e casuali ben formati si generalizzano bene e aiutano a prendere le migliori decisioni basate sui dati.

JMP per i modelli misti riunisce due delle più solide tradizioni del software SAS: i modelli misti e JMP. La filosofia innovativa di JMP, che prevede una stretta integrazione tra statistiche e grafica dinamica, è l'ambiente ideale per imparare e applicare i modelli misti, noti anche come modelli lineari gerarchici o multilivello. Se siete scienziati o ingegneri, i metodi qui descritti possono rivoluzionare il modo in cui analizzate i dati sperimentali senza dover scrivere codice.

All'interno troverete una ricca raccolta di esempi e un approccio graduale alla padronanza dei modelli misti. Gli argomenti includono:

⬤ Imparare a riconoscere, impostare e interpretare in modo appropriato gli effetti fissi e casuali.

⬤ Estendere l'analisi della varianza (ANOVA) e la regressione lineare a numerosi modelli misti.

⬤ Capire come funzionano i gradi di libertà utilizzando Skeleton ANOVA.

⬤ Analizzare disegni a blocchi randomizzati, split-plot, longitudinali e a misure ripetute.

⬤ Introdurre metodi più avanzati come la covarianza spaziale e i modelli misti lineari generalizzati.

⬤ Simulazione di modelli misti per valutare la potenza e altre importanti caratteristiche di campionamento.

⬤ Fornisce un solido quadro di riferimento per la comprensione della modellistica statistica in generale.

⬤ Migliorare la prospettiva sui moderni dilemmi legati ai metodi bayesiani, ai valori di p e all'inferenza causale.