Bevezetés az általánosított lineáris modellekbe (Dobson Annette J. (University of Queensland Herston Australia))

Olvasói vélemények

A könyv az általánosított lineáris modellek (GLM-ek) közérthető bevezetéseként szolgál, és jól használható a lineáris regresszió, a logisztika és az alapvető statisztikai elmélet terén némi háttérrel rendelkező olvasók számára. Különösen hasznos a speciális vizsgákra készülő hallgatók és az adattudományi karrierre törekvők számára. Azonban a teljesen kezdők számára a korlátozott kódolási példák és az átfogó támogatás hiánya miatt hiányozhat.

⬤ Könnyen, egy ülésben elolvasható
⬤ jó az alapvető regresszióval ismerkedőknek
⬤ jól megírt, értékes információkkal
⬤ hasznos a vizsgák letételéhez
⬤ hozzáférhető elméleti magyarázatok.

⬤ Teljesen kezdők számára elégtelen
⬤ korlátozott kódpéldák
⬤ nincs kiegészítő támogatás a Stata-felhasználók számára
⬤ nem ad bizonyítékokat az eloszlással kapcsolatos állításokhoz.

(6 olvasói vélemény alapján)

Eredeti címe:

Introduction to Generalized Linear Models (Dobson Annette J. (University of Queensland Herston Australia))

Könyv tartalma:

An Introduction to Generalized Linear Models, Fourth Edition a statisztikai modellezés összefüggő keretét nyújtja, hangsúlyt fektetve a numerikus és grafikus módszerekre. A bestseller új kiadása a nemlineáris összefüggésekről szóló új szakaszokkal, a modellválasztási stratégiákkal és a helyes statisztikai gyakorlatról szóló utószóval frissült.

Elődjéhez hasonlóan ez a kiadás is bemutatja az általánosított lineáris modellek (GLM) elméleti hátterét, mielőtt az egyes adattípusok elemzésére szolgáló módszerekre összpontosítana. A könyv foglalkozik a normál, Poisson- és binomiális eloszlásokkal; a lineáris regressziós modellekkel; a klasszikus becslési és modellillesztési módszerekkel; valamint a statisztikai következtetés frequentista módszereivel. Ezen alapok megteremtése után a szerzők megvizsgálják a többszörös lineáris regressziót, a varianciaanalízist (ANOVA), a logisztikus regressziót, a log-lineáris modelleket, a túlélési elemzést, a többszintű modellezést, a Bayes-modelleket és a Markov-lánc Monte Carlo (MCMC) módszereket.

⬤ A GLM-eket olyan módon mutatja be, hogy az olvasók megérthessék az azokat megalapozó egységes szerkezetet.

⬤ Tárgyalja a fejlett GLM-ek általános fogalmait és elveit, beleértve a nominális és ordinális regressziót, a túlélési elemzést, a nemlineáris asszociációkat és a longitudinális elemzést.

⬤ Kapcsolja a Bayes-analízist és az MCMC módszereket a GLM-ek illesztéséhez.

⬤ Tartalmaz számos példát az üzleti életből, az orvostudományból, a mérnöki tudományokból és a társadalomtudományokból.

⬤ Megadja a példakódot az R, a Stata és a WinBUGS számára, hogy ösztönözze a módszerek megvalósítását.

⬤ Az adatkészleteket és a feladatok megoldásait online kínálja.

⬤ Megmutatja a helyes statisztikai gyakorlat összetevőit a tudományos érvényesség és az eredmények reprodukálhatóságának javítása érdekében.

Ez a tömör és közérthető szöveg népszerű statisztikai szoftverprogramok segítségével szemlélteti a becslés, a modellillesztés és a modell-összehasonlítások gyakorlati megközelítéseit.