Generalized Linear Models and Extensions: Čtvrté vydání

Recenze čtenářů

Čtvrté vydání knihy je kritizováno za to, že se oproti druhému vydání výrazně nezlepšilo a že se více zaměřuje na matematické aspekty než na praktické aplikace. Někteří uživatelé ji sice považují za užitečnou, ale ozývají se hlasy, že by bylo zapotřebí podrobnějších praktických příkladů a aktualizovaných informací.

Kniha je považována za užitečnou pro zájemce o matematické aspekty GLM modelů. Poskytuje základní znalosti a poznatky důležité pro dané téma.

Postrádá praktické příklady použití, zejména v oblastech, jako je dobrá shoda a porovnávání modelů. Uvedené příklady jsou považovány za příliš stručné a nedostatečně podrobné. Objevují se také obavy z potřeby většího počtu aktualizací, které by odrážely současné postupy, přestože se uznává, že informace v této oblasti se nemění rychle.

(na základě 2 hodnocení čtenářů)

Původní název:

Generalized Linear Models and Extensions: Fourth Edition

Obsah knihy:

Zobecněné lineární modely (GLM) rozšiřují lineární regresi na modely s negaussovskou nebo dokonce diskrétní odezvou. Teorie GLM je založena na exponenciální rodině rozdělení - třídě tak bohaté, že zahrnuje běžně používané modely logit, probit a Poisson.

Ačkoli lze tyto modely ve Statě fitovat pomocí specializovaných příkazů (například logit pro logitové modely), fitování jako GLM pomocí příkazu glm ve Statě nabízí některé výhody. Například diagnostiku modelu lze vypočítat a interpretovat podobně bez ohledu na předpokládané rozdělení. Tento text se důkladně zabývá GLM, a to jak teoreticky, tak výpočetně, s důrazem na Statu.

Teorie spočívá v ukázání, jak jsou různé GLM speciálními případy exponenciální rodiny, v ukázání obecných vlastností této rodiny rozdělení a v ukázání odvození odhadů maximální věrohodnosti (ML) a standardních chyb. Hardin a Hilbe ukazují, jak iterativně převážené nejmenší čtverce, další metoda odhadu parametrů, jsou důsledkem ML odhadu pomocí Fisherova skórování.