Generalized Linear Models and Extensions: Štvrté vydanie

Recenzie čitateľov

Štvrté vydanie knihy je kritizované za to, že sa oproti druhému vydaniu výrazne nezlepšilo a viac sa zameriava na matematické aspekty ako na praktické aplikácie. Hoci niektorí používatelia ju považujú za užitočnú, ozývajú sa hlasy, že by potrebovali podrobnejšie praktické príklady a aktualizované informácie.

Kniha sa považuje za užitočnú pre tých, ktorí sa zaujímajú o matematické aspekty modelov GLM. Poskytuje základné vedomosti a poznatky dôležité pre danú tému.

Chýbajú v nej praktické príklady použitia, najmä v oblastiach, ako je dobrá zhoda a porovnanie modelov. Uvedené príklady sa považujú za príliš stručné a nedostatočne podrobné. Vyskytujú sa aj obavy z potreby väčšieho počtu aktualizácií, ktoré by odrážali súčasné postupy, a to napriek uznaniu, že informácie v tejto oblasti sa nemenia rýchlo.

(na základe 2 čitateľských recenzií)

Pôvodný názov:

Generalized Linear Models and Extensions: Fourth Edition

Obsah knihy:

Zovšeobecnené lineárne modely (GLM) rozširujú lineárnu regresiu na modely s negaussovskou alebo dokonca diskrétnou odozvou. Teória GLM je založená na exponenciálnej rodine rozdelení - triede tak bohatej, že zahŕňa bežne používané modely logit, probit a Poisson.

Hoci tieto modely možno v programe Stata fitovať pomocou špecializovaných príkazov (napríklad logit pre logitové modely), ich fitovanie ako GLM pomocou príkazu glm programu Stata ponúka určité výhody. Napríklad diagnostiku modelu možno vypočítať a interpretovať podobne bez ohľadu na predpokladané rozdelenie. Tento text sa dôkladne zaoberá GLM z teoretického aj výpočtového hľadiska s dôrazom na program Stata.

Teória spočíva v tom, že ukazuje, ako sú rôzne GLM špeciálnymi prípadmi exponenciálnej rodiny, ukazuje všeobecné vlastnosti tejto rodiny rozdelení a ukazuje odvodenie odhadov maximálnej vierohodnosti (ML) a štandardných chýb. Hardin a Hilbe ukazujú, ako sú iteratívne prevážené najmenšie štvorce, ďalšia metóda odhadu parametrov, dôsledkom ML odhadu pomocou Fisherovho skórovania.