Generalized Linear Models and Extensions: Ediția a patra

Recenzii ale cititorilor

Cea de-a patra ediție a cărții este criticată pentru că nu aduce îmbunătățiri semnificative celei de-a doua ediții, punându-se mai mult accentul pe aspectele matematice decât pe aplicațiile practice. În timp ce unii utilizatori o consideră utilă, există cereri pentru exemple practice mai detaliate și informații actualizate.

Cartea este considerată utilă pentru cei interesați de aspectele matematice ale modelelor GLM. Ea oferă cunoștințe fundamentale și perspective relevante pentru subiect.

Lipsesc exemplele de aplicare practică, în special în domenii precum bonitatea ajustării și compararea modelelor. Exemplele furnizate sunt considerate prea scurte și insuficient de detaliate. Există, de asemenea, preocupări cu privire la necesitatea mai multor actualizări pentru a reflecta practicile actuale, în ciuda recunoașterii faptului că informațiile din acest domeniu nu se schimbă rapid.

(pe baza a 2 recenzii ale cititorilor)

Titlul original:

Generalized Linear Models and Extensions: Fourth Edition

Conținutul cărții:

Modelele liniare generalizate (GLM) extind regresia liniară la modele cu un răspuns non-Gaussian sau chiar discret. Teoria GLM se bazează pe familia exponențială de distribuții - o clasă atât de bogată încât include modelele logit, probit și Poisson utilizate în mod obișnuit.

Deși aceste modele pot fi ajustate în Stata folosind comenzi specializate (de exemplu, logit pentru modele logit), ajustarea lor ca GLM-uri cu comanda glm din Stata oferă unele avantaje. De exemplu, diagnosticele modelului pot fi calculate și interpretate în mod similar, indiferent de distribuția presupusă. Acest text abordează în detaliu GLM-urile, atât din punct de vedere teoretic, cât și computațional, cu accent pe Stata.

Teoria constă în a arăta cum diferitele GLM-uri sunt cazuri speciale ale familiei exponențiale, în a arăta proprietățile generale ale acestei familii de distribuții și în a arăta derivarea estimatorilor de maximă verosimilitate (ML) și a erorilor standard. Hardin și Hilbe arată cum cele mai mici pătrate iterativ reponderate, o altă metodă de estimare a parametrilor, sunt o consecință a estimării ML folosind scorul Fisher.