Gemischte Modelle View Full Text


Ontology type: schema:Chapter     


Chapter Info

DATE

2007

AUTHORS

Ludwig Fahrmeir , Thomas Kneib , Stefan Lang

ABSTRACT

Gemischte Modelle (mixed models) beziehen in den Prädiktor η = x′β linearer, generalisierter linearer und kategorialer Modelle neben den bislang betrachteten festen Effekten auch zufällige Effekte oder Koeffizienten ein. Man spricht deshalb auch von Modellen mit zufälligen Effekten (random effects models). Ein wichtiger Anwendungsbereich dieser Modelle ist die Analyse von Longitudinaldaten, die sich durch zeitlich wiederholte Beobachtungen von Individuen bzw. Objekten im Rahmen von Längsschnittstudien ergeben. Eng verwandt damit ist die Analyse von sogenannten Clusterdaten, wenn aus Primäreinheiten (Cluster, Klumpen) mehrere Objekte ausgewählt und zugehörige Variablen erhoben werden. In Querschnittsstudien können die Cluster oder Primäreinheiten zum Beispiel Kliniken, Schulen oder Firmen sein, in denen jeweils an einer — unter Umständen auch kleinen — Teilstichprobe von Patienten, Schülern oder Kunden Daten zu interessierenden Variablen erhoben werden. In beiden Fällen liegen für jedes Individuum bzw. für jeden Cluster i = 1, ..., m wiederholte Beobachtungen More... »

PAGES

253-290

Book

TITLE

Regression

ISBN

978-3-540-33932-8

Identifiers

URI

http://scigraph.springernature.com/pub.10.1007/978-3-540-33933-5_6

DOI

http://dx.doi.org/10.1007/978-3-540-33933-5_6

DIMENSIONS

https://app.dimensions.ai/details/publication/pub.1024828435


Indexing Status Check whether this publication has been indexed by Scopus and Web Of Science using the SN Indexing Status Tool
Incoming Citations Browse incoming citations for this publication using opencitations.net

JSON-LD is the canonical representation for SciGraph data.

TIP: You can open this SciGraph record using an external JSON-LD service: JSON-LD Playground Google SDTT

[
  {
    "@context": "https://springernature.github.io/scigraph/jsonld/sgcontext.json", 
    "author": [
      {
        "familyName": "Fahrmeir", 
        "givenName": "Ludwig", 
        "id": "sg:person.0661512671.36", 
        "sameAs": [
          "https://app.dimensions.ai/discover/publication?and_facet_researcher=ur.0661512671.36"
        ], 
        "type": "Person"
      }, 
      {
        "familyName": "Kneib", 
        "givenName": "Thomas", 
        "id": "sg:person.01272020411.15", 
        "sameAs": [
          "https://app.dimensions.ai/discover/publication?and_facet_researcher=ur.01272020411.15"
        ], 
        "type": "Person"
      }, 
      {
        "familyName": "Lang", 
        "givenName": "Stefan", 
        "id": "sg:person.010223676761.81", 
        "sameAs": [
          "https://app.dimensions.ai/discover/publication?and_facet_researcher=ur.010223676761.81"
        ], 
        "type": "Person"
      }
    ], 
    "datePublished": "2007", 
    "datePublishedReg": "2007-01-01", 
    "description": "Gemischte Modelle (mixed models) beziehen in den Pr\u00e4diktor \u03b7 = x\u2032\u03b2 linearer, generalisierter linearer und kategorialer Modelle neben den bislang betrachteten festen Effekten auch zuf\u00e4llige Effekte oder Koeffizienten ein. Man spricht deshalb auch von Modellen mit zuf\u00e4lligen Effekten (random effects models). Ein wichtiger Anwendungsbereich dieser Modelle ist die Analyse von Longitudinaldaten, die sich durch zeitlich wiederholte Beobachtungen von Individuen bzw. Objekten im Rahmen von L\u00e4ngsschnittstudien ergeben. Eng verwandt damit ist die Analyse von sogenannten Clusterdaten, wenn aus Prim\u00e4reinheiten (Cluster, Klumpen) mehrere Objekte ausgew\u00e4hlt und zugeh\u00f6rige Variablen erhoben werden. In Querschnittsstudien k\u00f6nnen die Cluster oder Prim\u00e4reinheiten zum Beispiel Kliniken, Schulen oder Firmen sein, in denen jeweils an einer \u2014 unter Umst\u00e4nden auch kleinen \u2014 Teilstichprobe von Patienten, Sch\u00fclern oder Kunden Daten zu interessierenden Variablen erhoben werden. In beiden F\u00e4llen liegen f\u00fcr jedes Individuum bzw. f\u00fcr jeden Cluster i = 1, ..., m wiederholte Beobachtungen", 
    "genre": "chapter", 
    "id": "sg:pub.10.1007/978-3-540-33933-5_6", 
    "inLanguage": [
      "de"
    ], 
    "isAccessibleForFree": false, 
    "isPartOf": {
      "isbn": [
        "978-3-540-33932-8"
      ], 
      "name": "Regression", 
      "type": "Book"
    }, 
    "name": "Gemischte Modelle", 
    "pagination": "253-290", 
    "productId": [
      {
        "name": "doi", 
        "type": "PropertyValue", 
        "value": [
          "10.1007/978-3-540-33933-5_6"
        ]
      }, 
      {
        "name": "readcube_id", 
        "type": "PropertyValue", 
        "value": [
          "76489412f0d326f702f4cff29a05dbfc0191406487368e2f23ffc70b52e2b5df"
        ]
      }, 
      {
        "name": "dimensions_id", 
        "type": "PropertyValue", 
        "value": [
          "pub.1024828435"
        ]
      }
    ], 
    "publisher": {
      "location": "Berlin, Heidelberg", 
      "name": "Springer Berlin Heidelberg", 
      "type": "Organisation"
    }, 
    "sameAs": [
      "https://doi.org/10.1007/978-3-540-33933-5_6", 
      "https://app.dimensions.ai/details/publication/pub.1024828435"
    ], 
    "sdDataset": "chapters", 
    "sdDatePublished": "2019-04-15T16:03", 
    "sdLicense": "https://scigraph.springernature.com/explorer/license/", 
    "sdPublisher": {
      "name": "Springer Nature - SN SciGraph project", 
      "type": "Organization"
    }, 
    "sdSource": "s3://com-uberresearch-data-dimensions-target-20181106-alternative/cleanup/v134/2549eaecd7973599484d7c17b260dba0a4ecb94b/merge/v9/a6c9fde33151104705d4d7ff012ea9563521a3ce/jats-lookup/v90/0000000001_0000000264/records_8675_00000042.jsonl", 
    "type": "Chapter", 
    "url": "http://link.springer.com/10.1007/978-3-540-33933-5_6"
  }
]
 

Download the RDF metadata as:  json-ld nt turtle xml License info

HOW TO GET THIS DATA PROGRAMMATICALLY:

JSON-LD is a popular format for linked data which is fully compatible with JSON.

curl -H 'Accept: application/ld+json' 'https://scigraph.springernature.com/pub.10.1007/978-3-540-33933-5_6'

N-Triples is a line-based linked data format ideal for batch operations.

curl -H 'Accept: application/n-triples' 'https://scigraph.springernature.com/pub.10.1007/978-3-540-33933-5_6'

Turtle is a human-readable linked data format.

curl -H 'Accept: text/turtle' 'https://scigraph.springernature.com/pub.10.1007/978-3-540-33933-5_6'

RDF/XML is a standard XML format for linked data.

curl -H 'Accept: application/rdf+xml' 'https://scigraph.springernature.com/pub.10.1007/978-3-540-33933-5_6'


 

This table displays all metadata directly associated to this object as RDF triples.

58 TRIPLES      20 PREDICATES      24 URIs      19 LITERALS      7 BLANK NODES

Subject Predicate Object
1 sg:pub.10.1007/978-3-540-33933-5_6 schema:author Nbe327e33121d48bf8e21a3acce84fe74
2 schema:datePublished 2007
3 schema:datePublishedReg 2007-01-01
4 schema:description Gemischte Modelle (mixed models) beziehen in den Prädiktor η = x′β linearer, generalisierter linearer und kategorialer Modelle neben den bislang betrachteten festen Effekten auch zufällige Effekte oder Koeffizienten ein. Man spricht deshalb auch von Modellen mit zufälligen Effekten (random effects models). Ein wichtiger Anwendungsbereich dieser Modelle ist die Analyse von Longitudinaldaten, die sich durch zeitlich wiederholte Beobachtungen von Individuen bzw. Objekten im Rahmen von Längsschnittstudien ergeben. Eng verwandt damit ist die Analyse von sogenannten Clusterdaten, wenn aus Primäreinheiten (Cluster, Klumpen) mehrere Objekte ausgewählt und zugehörige Variablen erhoben werden. In Querschnittsstudien können die Cluster oder Primäreinheiten zum Beispiel Kliniken, Schulen oder Firmen sein, in denen jeweils an einer — unter Umständen auch kleinen — Teilstichprobe von Patienten, Schülern oder Kunden Daten zu interessierenden Variablen erhoben werden. In beiden Fällen liegen für jedes Individuum bzw. für jeden Cluster i = 1, ..., m wiederholte Beobachtungen
5 schema:genre chapter
6 schema:inLanguage de
7 schema:isAccessibleForFree false
8 schema:isPartOf Nd5c9ec4194b94c689522e2ff7979f428
9 schema:name Gemischte Modelle
10 schema:pagination 253-290
11 schema:productId N61c0d379e1dd4c32a839aa2abe7921d8
12 N89880d6303e14fb08dd55cb88fc0613d
13 Ndfcb91bba03c4421937f408fe7f91803
14 schema:publisher N49b856aaf05d474bb635df3f0aac1fae
15 schema:sameAs https://app.dimensions.ai/details/publication/pub.1024828435
16 https://doi.org/10.1007/978-3-540-33933-5_6
17 schema:sdDatePublished 2019-04-15T16:03
18 schema:sdLicense https://scigraph.springernature.com/explorer/license/
19 schema:sdPublisher Nfbfe74a909c5489da596fdc7cbfc9a99
20 schema:url http://link.springer.com/10.1007/978-3-540-33933-5_6
21 sgo:license sg:explorer/license/
22 sgo:sdDataset chapters
23 rdf:type schema:Chapter
24 N49b856aaf05d474bb635df3f0aac1fae schema:location Berlin, Heidelberg
25 schema:name Springer Berlin Heidelberg
26 rdf:type schema:Organisation
27 N61c0d379e1dd4c32a839aa2abe7921d8 schema:name doi
28 schema:value 10.1007/978-3-540-33933-5_6
29 rdf:type schema:PropertyValue
30 N89880d6303e14fb08dd55cb88fc0613d schema:name readcube_id
31 schema:value 76489412f0d326f702f4cff29a05dbfc0191406487368e2f23ffc70b52e2b5df
32 rdf:type schema:PropertyValue
33 Nad52198640424df4a3d1ee7040863475 rdf:first sg:person.01272020411.15
34 rdf:rest Ne8aa52a1325543df8f99672ab55609d1
35 Nbe327e33121d48bf8e21a3acce84fe74 rdf:first sg:person.0661512671.36
36 rdf:rest Nad52198640424df4a3d1ee7040863475
37 Nd5c9ec4194b94c689522e2ff7979f428 schema:isbn 978-3-540-33932-8
38 schema:name Regression
39 rdf:type schema:Book
40 Ndfcb91bba03c4421937f408fe7f91803 schema:name dimensions_id
41 schema:value pub.1024828435
42 rdf:type schema:PropertyValue
43 Ne8aa52a1325543df8f99672ab55609d1 rdf:first sg:person.010223676761.81
44 rdf:rest rdf:nil
45 Nfbfe74a909c5489da596fdc7cbfc9a99 schema:name Springer Nature - SN SciGraph project
46 rdf:type schema:Organization
47 sg:person.010223676761.81 schema:familyName Lang
48 schema:givenName Stefan
49 schema:sameAs https://app.dimensions.ai/discover/publication?and_facet_researcher=ur.010223676761.81
50 rdf:type schema:Person
51 sg:person.01272020411.15 schema:familyName Kneib
52 schema:givenName Thomas
53 schema:sameAs https://app.dimensions.ai/discover/publication?and_facet_researcher=ur.01272020411.15
54 rdf:type schema:Person
55 sg:person.0661512671.36 schema:familyName Fahrmeir
56 schema:givenName Ludwig
57 schema:sameAs https://app.dimensions.ai/discover/publication?and_facet_researcher=ur.0661512671.36
58 rdf:type schema:Person
 




Preview window. Press ESC to close (or click here)


...