Generalized Linear Models and Extensions: Negyedik kiadás

Olvasói vélemények

A könyv negyedik kiadását kritika éri, mivel nem javult jelentősen a második kiadáshoz képest, és a matematikai szempontokra nagyobb hangsúlyt fektet, mint a gyakorlati alkalmazásokra. Bár egyes felhasználók hasznosnak találják, részletesebb gyakorlati példákat és frissített információkat kérnek.

A könyvet hasznosnak tartják a GLM-modellek matematikai aspektusai iránt érdeklődők számára. Alapvető ismereteket és a téma szempontjából releváns meglátásokat nyújt.

Hiányoznak belőle a gyakorlati alkalmazási példák, különösen az olyan területeken, mint az illeszkedés jósága és a modellek összehasonlítása. A megadott példákat túl rövidnek és nem kellően részletesnek tartják. Aggályok merültek fel azzal kapcsolatban is, hogy több frissítésre van szükség a jelenlegi gyakorlatok tükrözése érdekében, annak ellenére, hogy elismerik, hogy az információ ezen a területen nem változik gyorsan.

(2 olvasói vélemény alapján)

Eredeti címe:

Generalized Linear Models and Extensions: Fourth Edition

Könyv tartalma:

Az általánosított lineáris modellek (GLM-ek) kiterjesztik a lineáris regressziót a nem Gauss-féle, vagy akár diszkrét választ tartalmazó modellekre. A GLM-elmélet az exponenciális eloszláscsaládon alapul - ez az osztály olyan gazdag, hogy magában foglalja a gyakran használt logit-, probit- és Poisson-modelleket.

Bár ezeket a modelleket a Stata-ban speciális parancsok segítségével is illeszthetjük (például logit logit modellekhez), a Stata glm parancsával GLM-ként történő illesztésük néhány előnnyel jár. Például a modelldiagnosztika a feltételezett eloszlástól függetlenül hasonlóan számítható és értelmezhető. Ez a szöveg alaposan tárgyalja a GLM-eket, mind elméleti, mind számítási szempontból, a Stata-ra helyezve a hangsúlyt.

Az elmélet abból áll, hogy megmutatja, hogy a különböző GLM-ek az exponenciális eloszláscsalád speciális esetei, bemutatja ezen eloszláscsalád általános tulajdonságait, és bemutatja a maximális valószínűségű (ML) becslők és standard hibák levezetését. Hardin és Hilbe megmutatja, hogy az iteratívan újrasúlyozott legkisebb négyzetek, a paraméterbecslés egy másik módszere, a Fisher-pontozást alkalmazó ML-becslés következménye.