Opinie czytelników
Podsumowanie:Książka jest wysoko ceniona za jasne przedstawienie modelowania wielopoziomowego i analizy regresji, koncentrując się na praktycznych zastosowaniach, zwłaszcza przy użyciu R. Jest chwalona za kompleksowe omówienie, odpowiednie przykłady i nacisk na zrozumienie podstawowych pojęć zamiast tylko stosowania formuł. Jednak wielu czytelników wyraża również frustrację z powodu licznych błędów w przykładach i kodzie R, niespójnej organizacji i dostępności zestawów danych, które utrudniają im efektywne korzystanie z książki.
Zalety:⬤ Kompleksowe omówienie modelowania wielopoziomowego i kluczowych pojęć statystycznych.
⬤ Przejrzysty język i pomocne przykłady, które sprawiają, że złożone tematy stają się przystępne.
⬤ Skupienie się na praktycznych zastosowaniach przy użyciu R, z silnym naciskiem na zrozumienie, a nie wyuczenie się na pamięć.
⬤ Kompaktowy styl kodowania, który pomaga uprościć naukę.
⬤ Odpowiednie odniesienia, które wspierają omawiane koncepcje.
Wady:⬤ Liczne błędy w kodzie R i przykładach, które utrudniają ich śledzenie.
⬤ Niespójna organizacja i sporadyczne niejasności w terminologii.
⬤ Brak zaktualizowanych lub dobrze udokumentowanych zestawów danych do praktycznego zastosowania.
⬤ Niektóre sekcje nie zawierają szczegółowych wyjaśnień, przez co czytelnicy mogą być zdezorientowani.
⬤ Ograniczone wskazówki dla początkujących w R, które mogą utrudniać zrozumienie mniej doświadczonym osobom.
(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/.
