Introduzione ai modelli lineari generalizzati (Dobson Annette J. (University of Queensland Herston Australia))

Recensioni dei lettori

Il libro è un'introduzione accessibile ai modelli lineari generalizzati (GLM), adatta a lettori con un certo background di regressione lineare, logistica e teoria statistica di base. È particolarmente utile per gli studenti che si preparano a esami specifici e per coloro che perseguono una carriera nella scienza dei dati. Tuttavia, può risultare insufficiente per i principianti assoluti a causa dei limitati esempi di codifica e della mancanza di un supporto completo.

⬤ Facile da leggere in una sola seduta
⬤ buono per chi ha familiarità con la regressione di base
⬤ ben scritto con informazioni preziose
⬤ utile per superare gli esami
⬤ spiegazioni teoriche accessibili.

⬤ Insufficiente per i principianti
⬤ esempi di codice limitati
⬤ nessun supporto aggiuntivo per gli utenti di Stata
⬤ non fornisce prove per le affermazioni sulla distribuzione.

(basato su 6 recensioni dei lettori)

Titolo originale:

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

Contenuto del libro:

An Introduction to Generalized Linear Models, Fourth Edition fornisce un quadro coesivo per la modellazione statistica, con un'enfasi sui metodi numerici e grafici. Questa nuova edizione di un bestseller è stata aggiornata con nuove sezioni sulle associazioni non lineari, strategie per la selezione dei modelli e una postfazione sulle buone pratiche statistiche.

Come il suo predecessore, questa edizione presenta il background teorico dei modelli lineari generalizzati (GLM) prima di concentrarsi sui metodi per analizzare particolari tipi di dati. Vengono trattate le distribuzioni normale, di Poisson e binomiale; i modelli di regressione lineare; i metodi classici di stima e di adattamento dei modelli; i metodi frequentisti di inferenza statistica. Dopo aver creato queste basi, gli autori esplorano la regressione lineare multipla, l'analisi della varianza (ANOVA), la regressione logistica, i modelli log-lineari, l'analisi della sopravvivenza, la modellazione multilivello, i modelli bayesiani e i metodi della catena di Markov Monte Carlo (MCMC).

⬤ Introduce i GLM in modo da consentire ai lettori di comprendere la struttura unificante che li sostiene.

⬤ Discute i concetti e i principi comuni dei GLM avanzati, tra cui la regressione nominale e ordinale, l'analisi della sopravvivenza, le associazioni non lineari e l'analisi longitudinale.

⬤ Collega l'analisi bayesiana e i metodi MCMC all'adattamento dei GLM.

⬤ Contiene numerosi esempi tratti da economia, medicina, ingegneria e scienze sociali.

⬤ Fornisce il codice di esempio per R, Stata e WinBUGS per incoraggiare l'implementazione dei metodi.

⬤ Offre i set di dati e le soluzioni agli esercizi online.

⬤ Descrive le componenti di una buona pratica statistica per migliorare la validità scientifica e la riproducibilità dei risultati.

Utilizzando i più diffusi programmi di software statistico, questo testo conciso e accessibile illustra gli approcci pratici alla stima, all'adattamento dei modelli e al loro confronto.