Ocena:
Książka została dobrze przyjęta jako cenne źródło zrozumienia regresji logistycznej, oferując jasne wyjaśnienia i wnikliwe przykłady. Chociaż jest ogólnie chwalona za swoją przystępność i użyteczność jako punkt odniesienia, niektórzy czytelnicy uważają, że niektóre sekcje są trudne do zrozumienia.
Zalety:⬤ Bardzo zrozumiałe i jasne wyjaśnienia, szczególnie dla osób znających regresję wieloraką.
⬤ Oferuje dobre podobieństwa ze zwykłymi modelami najmniejszych kwadratów (OLS).
⬤ Przydatny zarówno do nauki, jak i jako punkt odniesienia, w tym podstawowe tematy dotyczące interpretacji wyników SPSS.
⬤ Przystępna i zwięzła, co czyni ją dobrą okazją do nauki statystyki.
⬤ Skuteczne wykorzystanie przykładów i diagnostyki, które zwiększają zrozumienie.
⬤ Niektóre sekcje mogą być trudne do zrozumienia, prowadząc do nieporozumień.
⬤ Nie jest zalecana jako jedyne źródło wiedzy; niektórzy czytelnicy uznali ją za mniej odpowiednią do głębokiego uczenia się.
⬤ Drobne obawy dotyczące tego, że książka jest nieco przestarzała w kontekście ewoluującego oprogramowania statystycznego.
(na podstawie 10 opinii czytelników)
Applied Logistic Regression Analysis
W tym drugim wydaniu ponownie skupiono się na modelach regresji logistycznej dla danych na poziomie indywidualnym, ale uwzględniono również dane zagregowane lub pogrupowane. Książka zawiera szczegółowe omówienia dobroci dopasowania, wskaźników skuteczności predykcyjnej i standaryzowanych współczynników regresji logistycznej, a także przykłady wykorzystujące SAS i SPSS.
⬤ Bardziej szczegółowe rozważania na temat danych pogrupowanych w przeciwieństwie do danych dla poszczególnych przypadków w całej książce.
⬤ Zaktualizowane omówienie właściwości i właściwego wykorzystania miar dobroci dopasowania, analogów R-kwadrat i wskaźników skuteczności predykcyjnej.
⬤ Omówienie niewłaściwego wykorzystania ilorazów szans do reprezentowania współczynników ryzyka oraz nadmiernej i niedostatecznej dyspersji dla danych pogrupowanych.
Zaktualizowane omówienie nieuporządkowanych i uporządkowanych wielomianowych modeli regresji logistycznej.
