9781584886099 - missing data in longitudinal studies: strategies for bayesian modeling and sensitivity analysis (monographs on statistics and applied probability, 109, band 109) von daniels, michael j.; hogan, joseph w. (4 Ergebnisse)
- Hardcover
Anbieter: Ria Christie Collections, Uxbridge, Vereinigtes KönigreichRia Christie Collections
Verkäufer/-in kontaktierenVerkäufer/-in mit 5 SternenZustand: Neu
EUR 151,30
EUR 14,00 VersandVersand von Vereinigtes Königreich nach USAAnzahl: Mehr als 20 verfügbar
Zustand: New. In.
- Weitere Bilder
- Hardcover
Anbieter: moluna, Greven, Deutschlandmoluna
Verkäufer/-in kontaktierenVerkäufer/-in mit 5 SternenZustand: Neu
EUR 174,48
EUR 48,99 VersandVersand von Deutschland nach USAAnzahl: Mehr als 20 verfügbar
Zustand: New.
- Hardcover
Anbieter: Revaluation Books, Exeter, Vereinigtes KönigreichRevaluation Books
Verkäufer/-in kontaktierenVerkäufer/-in mit 5 SternenZustand: Neu
EUR 232,88
EUR 14,61 VersandVersand von Vereinigtes Königreich nach USAAnzahl: 2 verfügbar
Hardcover. Zustand: Brand New. 1st edition. 416 pages. 9.50x6.25x1.00 inches. In Stock.
- Weitere Bilder
- Hardcover
Anbieter: AHA-BUCH GmbH, Einbeck, DeutschlandAHA-BUCH GmbH
Verkäufer/-in kontaktierenVerkäufer/-in mit 5 SternenZustand: Neu
EUR 240,00
EUR 63,00 VersandVersand von Deutschland nach USAAnzahl: 2 verfügbar
Buch. Zustand: Neu. Neuware - Drawing from the authors' own work and from the most recent developments in the field, Missing Data in Longitudinal Studies: Strategies for Bayesian Modeling and Sensitivity Analysis describes a comprehensive Bayesian approach for drawing inference from incomplete data in longitudinal studies. To il…lustrate these methods, the authors employ several data sets throughout that cover a range of study designs, variable types, and missing data issues.The book first reviews modern approaches to formulate and interpret regression models for longitudinal data. It then discusses key ideas in Bayesian inference, including specifying prior distributions, computing posterior distribution, and assessing model fit. The book carefully describes the assumptions needed to make inferences about a full-data distribution from incompletely observed data. For settings with ignorable dropout, it emphasizes the importance of covariance models for inference about the mean while for nonignorable dropout, the book studies a variety of models in detail. It concludes with three case studies that highlight important features of the Bayesian approach for handling nonignorable missingness. With suggestions for further reading at the end of most chapters as well as many applications to the health sciences, this resource offers a unified Bayesian approach to handle missing data in longitudinal studies.
