Modelli lineari generalizzati ed estensioni: Quarta edizione

Recensioni dei lettori

La quarta edizione del libro viene criticata per non aver migliorato significativamente la seconda edizione, concentrandosi maggiormente sugli aspetti matematici piuttosto che sulle applicazioni pratiche. Sebbene alcuni utenti lo trovino utile, sono stati richiesti esempi pratici più dettagliati e informazioni aggiornate.

Il libro è considerato utile per chi è interessato agli aspetti matematici dei modelli GLM. Fornisce conoscenze fondamentali e approfondimenti rilevanti per l'argomento.

Mancano esempi di applicazione pratica, in particolare in aree come la bontà di adattamento e il confronto tra modelli. Gli esempi forniti sono ritenuti troppo brevi e non sufficientemente dettagliati. Ci sono anche preoccupazioni sulla necessità di maggiori aggiornamenti per riflettere le pratiche attuali, nonostante si riconosca che le informazioni in questo campo non cambiano rapidamente.

(basato su 2 recensioni dei lettori)

Titolo originale:

Generalized Linear Models and Extensions: Fourth Edition

Contenuto del libro:

I modelli lineari generalizzati (GLM) estendono la regressione lineare a modelli con risposta non gaussiana o addirittura discreta. La teoria dei GLM si basa sulla famiglia delle distribuzioni esponenziali, una classe così ricca da includere i modelli logit, probit e Poisson, comunemente utilizzati.

Sebbene sia possibile adattare questi modelli in Stata utilizzando comandi specializzati (ad esempio, logit per i modelli logit), l'adattamento come GLM con il comando glm di Stata offre alcuni vantaggi. Ad esempio, la diagnostica del modello può essere calcolata e interpretata in modo simile, indipendentemente dalla distribuzione ipotizzata. Questo testo tratta in modo approfondito i GLM, sia dal punto di vista teorico che computazionale, con particolare attenzione a Stata.

La teoria consiste nel mostrare come i vari GLM siano casi speciali della famiglia esponenziale, nel mostrare le proprietà generali di questa famiglia di distribuzioni e nel mostrare la derivazione degli stimatori di massima verosimiglianza (ML) e degli errori standard. Hardin e Hilbe mostrano come i minimi quadrati ponderati iterativamente, un altro metodo di stima dei parametri, siano una conseguenza della stima ML che utilizza il punteggio di Fisher.