Értékelés:
A könyvet nagyra értékelik olvashatósága és a matematikai szigor és érthetőség közötti hatékony egyensúlya miatt, ami a statisztikát és a lineáris algebrát alapszinten ismerő olvasók számára is elérhetővé teszi. Ugyanakkor több kisebb elgépelés, a gyenge bizonyítási magyarázatok és néhány fontos téma korlátozott lefedettsége miatt kritika éri.
Előnyök:⬤ Nagyszerű kompromisszum a matematikai szigor és az olvashatóság között.
⬤ Világos, jól szervezett tartalom, amely könnyen érthető.
⬤ Hasznos gyakorlatok tippekkel és megoldásokkal az önálló tanuláshoz.
⬤ Az utolsó fejezet a korábbi fejezetekben felvetett problémák megoldásait tartalmazza, ami segíti a tanulást.
⬤ Megfelelő a végzős hallgatók számára, és önképzésre is használható.
⬤ Kisebb elgépelések és hibák a képletekben.
⬤ Rosszul magyarázott bizonyítások, gyakran más forrásokra irányítanak át, megfelelő útmutatás nélkül.
⬤ Korlátozott lefedettség az olyan fontos témakörökben, mint az általánosított lineáris modellek és a diagnosztika.
⬤ Nem minden magyarázat egyértelmű, ami kihívást jelenthet a statisztikában gyengébb háttérrel rendelkező egyetemi hallgatók számára.
(9 olvasói vélemény alapján)
Linear Models 2E
A lineáris modellek elméletének és alkalmazásának alapvető bevezetése - most értékes új kiadásban.
Mivel a legtöbb fejlett statisztikai eszköz a lineáris modell általánosítása, először a lineáris modellt kell elsajátítani ahhoz, hogy továbbléphessünk a fejlettebb koncepciók felé. A lineáris modell továbbra is az alkalmazott statisztikusok fő eszköze marad, és minden statisztikus képzésében központi szerepet játszik, függetlenül attól, hogy az alkalmazott vagy az elméleti statisztika áll-e a középpontban. Ez a teljesen átdolgozott és frissített új kiadás sikeresen fejleszti a lineáris modellek alapelméletét a regresszió, a varianciaelemzés, a kovarianciaelemzés és a lineáris vegyes modellek esetében. A könyv foglalkozik a lineáris vegyes modellekkel, az általánosított lineáris modellekkel és a Bayes-féle lineáris modellel kapcsolatos módszertan legújabb eredményeivel is.
A Lineáris modellek a statisztikában, második kiadás tartalmazza a haladó témák teljes lefedettségét, mint például a kevert és általánosított lineáris modellek, Bayes-féle lineáris modellek, kétirányú modellek üres cellákkal, a legkisebb négyzetek geometriája, vektor-mátrix számítás, szimultán következtetés, valamint logisztikus és nemlineáris regresszió. A lineáris modellek következtetésének és a varianciaanalízisnek az algebrai, geometriai, frequentista és Bayes-i megközelítései is bemutatásra kerülnek. A releváns anyag bővítésével és a terület legújabb technológiai fejlesztéseinek bevonásával ez a könyv elméleti alapot nyújt az olvasóknak a számítógépes szoftverek kimeneteinek helyes értelmezéséhez, valamint a lineáris modellek hatékony használatához, testreszabásához és megértéséhez.
Ez a modern második kiadás a következőket tartalmazza:
⬤ Új fejezetek a Bayes-féle lineáris modellekről, valamint a véletlenszerű és vegyes lineáris modellekről.
⬤ A kétirányú modellek kibővített tárgyalása üres cellákkal.
⬤ Kiegészített szakaszok a legkisebb négyzetek geometriájáról.
⬤ A szimultán következtetés frissített lefedettsége.
A könyvet könnyen olvasható bizonylatok, valós adatkészletek és egy terjedelmes irodalomjegyzék egészíti ki. Átmeneti célokra egy alapos áttekintés készült a szükséges mátrixalgebráról, és számos elméleti és alkalmazott probléma került beillesztésre a könyv végén található válogatott válaszokkal. A kapcsolódó weboldal további adatkészleteket és SAS(R) kódot tartalmaz minden numerikus példához.
A Lineáris modell a statisztikában, második kiadás a statisztika, biostatisztika és matematika felsőfokú és egyetemi szintű kurzusaihoz nélkülözhetetlen könyv. Felbecsülhetetlen értékű referencia a kutatók számára is, akiknek jobban meg kell érteniük a regressziót és a varianciaanalízist.
© Book1 Group - minden jog fenntartva.
Az oldal tartalma sem részben, sem egészben nem másolható és nem használható fel a tulajdonos írásos engedélye nélkül.
Utolsó módosítás időpontja: 2024.11.13 21:05 (GMT)