Analiza danych z wykorzystaniem regresji i modeli wielopoziomowych/hierarchicznych

Opinie czytelników

Książka jest wysoko ceniona za przejrzystość, praktyczne podejście i kompleksowe omówienie technik modelowania wielopoziomowego i regresji. Jest szczególnie preferowana przez użytkowników zaznajomionych z R, którzy doceniają przykłady i praktyczne kodowanie. Wielu recenzentów wyraziło jednak frustrację z powodu jakości dostarczonego kodu R, zauważając liczne błędy i niespójności, które utrudniają naukę. Organizacja książki i towarzyszące jej zasoby również wymagają poprawy.

⬤ Kompleksowe omówienie modelowania wielopoziomowego i technik regresji.
⬤ Przejrzysty i wciągający styl pisania, dzięki któremu złożone koncepcje stają się przystępne.
⬤ Praktyczne przykłady i przepisy na korzystanie z R.
⬤ Silny nacisk na zrozumienie koncepcji teoretycznych, a nie tylko stosowanie formuł.
⬤ Przydatna zarówno dla studentów, jak i doświadczonych badaczy nauk społecznych.

⬤ Przykłady kodu R są często błędne lub słabo wyjaśnione, co prowadzi do frustracji.
⬤ Niektórym sekcjom brakuje wystarczającej głębi, a książka może wymagać dodatkowych zasobów dla pełnego zrozumienia.
⬤ Organizacja treści może wydawać się rozproszona, co wpływa na płynność i spójność.
⬤ Zestawy danych i przykłady nie zawsze są dobrze udokumentowane lub łatwo dostępne.

(na podstawie 72 opinii czytelników)

Oryginalny tytuł:

Data Analysis Using Regression and Multilevel/Hierarchical Models

Zawartość książki:

Data Analysis Using Regression and Multilevel/Hierarchical Models to kompleksowy podręcznik dla badaczy, którzy chcą przeprowadzić analizę danych przy użyciu regresji liniowej i nieliniowej oraz modeli wielopoziomowych. Książka wprowadza szeroką gamę modeli, jednocześnie instruując czytelnika, jak dopasować te modele za pomocą dostępnych pakietów oprogramowania.

Książka ilustruje koncepcje poprzez pracę z dziesiątkami przykładów rzeczywistych danych, które powstały w wyniku własnych badań stosowanych autorów, z kodami programowania dostarczonymi dla każdego z nich. Poruszane tematy obejmują wnioskowanie przyczynowe, w tym regresję, poststratyfikację, dopasowanie, nieciągłość regresji i zmienne instrumentalne, a także wielopoziomową regresję logistyczną i imputację brakujących danych. Praktyczne wskazówki dotyczące budowania, dopasowywania i rozumienia są zawarte w całym tekście.

Strona autora: http: //www.stat. columbia.edu/ gelman/arm/.