Wprowadzenie do uogólnionych modeli liniowych

Opinie czytelników

Książka stanowi przystępne wprowadzenie do uogólnionych modeli liniowych (GLM), odpowiednie dla osób zaznajomionych z podstawowymi statystykami. Skutecznie wyjaśnia intuicje i procedury, choć brakuje w niej rygorystycznych dowodów i praktycznych przykładów kodowania.

⬤ Szybkie i łatwe w czytaniu
⬤ dobre wprowadzenie do GLM
⬤ dobrze napisane z cennymi informacjami
⬤ odpowiednie do przygotowania do egzaminu CAS MAS-I
⬤ przystępne wyjaśnienia teoretyczne.

⬤ Wymaga wcześniejszej znajomości regresji liniowej i logistycznej
⬤ brakuje dowodów na rozkłady próbkowania
⬤ niewystarczające przykłady kodowania i dodatkowe zasoby dla początkujących
⬤ może nie być w pełni dostosowany do osób bez teoretycznego zaplecza statystycznego.

(na podstawie 6 opinii czytelników)

Oryginalny tytuł:

An Introduction to Generalized Linear Models

Zawartość książki:

Wprowadzenie do uogólnionych modeli liniowych An Introduction to Generalized Linear Models, Fourth Edition zapewnia spójne ramy modelowania statystycznego, z naciskiem na metody numeryczne i graficzne. To nowe wydanie bestsellera zostało zaktualizowane o nowe sekcje dotyczące nieliniowych asocjacji, strategii wyboru modelu oraz przedmowę dotyczącą dobrych praktyk statystycznych.

Podobnie jak jego poprzednik, to wydanie przedstawia teoretyczne podstawy uogólnionych modeli liniowych (GLM), zanim skupi się na metodach analizy poszczególnych rodzajów danych. Obejmuje rozkłady normalne, Poissona i dwumianowe; modele regresji liniowej; klasyczne metody estymacji i dopasowywania modeli; oraz częstościowe metody wnioskowania statystycznego. Po stworzeniu tych podstaw, autorzy badają wielokrotną regresję liniową, analizę wariancji (ANOVA), regresję logistyczną, modele log-liniowe, analizę przeżycia, modelowanie wielopoziomowe, modele bayesowskie i metody Monte Carlo z łańcuchem Markowa (MCMC).

⬤ Wprowadza GLM w sposób, który umożliwia czytelnikom zrozumienie jednolitej struktury, która leży u ich podstaw.

⬤ Omawia wspólne koncepcje i zasady zaawansowanych modeli GLM, w tym regresję nominalną i porządkową, analizę przeżycia, nieliniowe asocjacje i analizę podłużną.

⬤ Łączy analizę bayesowską i metody MCMC w celu dopasowania GLM.

⬤ Zawiera liczne przykłady z biznesu, medycyny, inżynierii i nauk społecznych.

⬤ Zapewnia przykładowy kod dla R, Stata i WinBUGS, aby zachęcić do wdrożenia metod.

⬤ Oferuje zestawy danych i rozwiązania ćwiczeń online.

⬤ Opisuje elementy dobrej praktyki statystycznej w celu poprawy wiarygodności naukowej i powtarzalności wyników.

Korzystając z popularnych programów statystycznych, ten zwięzły i przystępny tekst ilustruje praktyczne podejście do estymacji, dopasowywania modeli i ich porównywania.