Uogólnione modele liniowe i rozszerzenia: Wydanie czwarte

Opinie czytelników

Czwarte wydanie książki jest krytykowane za brak znaczących ulepszeń w stosunku do drugiego wydania, z większym naciskiem na aspekty matematyczne niż na praktyczne zastosowania. Podczas gdy niektórzy użytkownicy uważają ją za przydatną, pojawiają się apele o bardziej szczegółowe przykłady praktyczne i zaktualizowane informacje.

Książka jest uważana za przydatną dla osób zainteresowanych matematycznymi aspektami modeli GLM. Dostarcza podstawowej wiedzy i spostrzeżeń istotnych dla tematu.

Brakuje w niej praktycznych przykładów zastosowania, szczególnie w obszarach takich jak dobroć dopasowania i porównanie modeli. Podane przykłady są uważane za zbyt krótkie i niewystarczająco szczegółowe. Istnieją również obawy dotyczące potrzeby większej liczby aktualizacji w celu odzwierciedlenia bieżących praktyk, pomimo uznania, że informacje w tej dziedzinie nie zmieniają się szybko.

(na podstawie 2 opinii czytelników)

Oryginalny tytuł:

Generalized Linear Models and Extensions: Fourth Edition

Zawartość książki:

Uogólnione modele liniowe (GLM) rozszerzają regresję liniową na modele z odpowiedzią niegaussowską, a nawet dyskretną. Teoria GLM opiera się na rodzinie rozkładów wykładniczych - klasie tak bogatej, że obejmuje ona powszechnie stosowane modele logitowe, probitowe i Poissona.

Chociaż można dopasować te modele w Stata za pomocą specjalistycznych poleceń (na przykład logit dla modeli logitowych), dopasowanie ich jako GLM za pomocą polecenia glm Stata oferuje pewne korzyści. Na przykład, diagnostyka modelu może być obliczana i interpretowana podobnie, niezależnie od przyjętego rozkładu. Niniejszy tekst dokładnie omawia GLM, zarówno teoretycznie, jak i obliczeniowo, z naciskiem na Stata.

Teoria obejmuje pokazanie, w jaki sposób różne GLM są szczególnymi przypadkami rodziny wykładniczej, pokazanie ogólnych właściwości tej rodziny rozkładów oraz wyprowadzenie estymatorów maksymalnego prawdopodobieństwa (ML) i błędów standardowych. Hardin i Hilbe pokazują, w jaki sposób iteracyjnie ponownie ważone najmniejsze kwadraty, inna metoda estymacji parametrów, są konsekwencją estymacji ML przy użyciu punktacji Fishera.