Bewertung:
Das Buch wird für seine klare Darstellung der Mehrebenenmodellierung und Regressionsanalyse mit Schwerpunkt auf praktischen Anwendungen, insbesondere unter Verwendung von R, hoch geschätzt. Es wird für seine umfassende Abdeckung, die relevanten Beispiele und die Betonung des Verständnisses der zugrunde liegenden Konzepte anstelle der bloßen Anwendung von Formeln gelobt. Viele Leser äußern jedoch auch ihre Frustration über zahlreiche Fehler in den Beispielen und im R-Code, die inkonsistente Organisation und die Zugänglichkeit der Datensätze, die ihre Fähigkeit, das Buch effektiv zu nutzen, beeinträchtigen.
Vorteile:⬤ Umfassende Behandlung der mehrstufigen Modellierung und statistischer Schlüsselkonzepte.
⬤ Klare Sprache und hilfreiche Beispiele, die komplexe Themen verständlich machen.
⬤ Der Schwerpunkt liegt auf der praktischen Anwendung von R, wobei die Betonung eher auf dem Verständnis als auf der auswendigen Anwendung liegt.
⬤ Kompakter Kodierungsstil, der das Lernen vereinfacht.
⬤ Relevante Referenzen, die die diskutierten Konzepte unterstützen.
⬤ Zahlreiche Fehler im R-Code und in den Beispielen, die es schwierig machen, ihnen zu folgen.
⬤ Inkonsistente Organisation und gelegentliche Mehrdeutigkeit der Terminologie.
⬤ Es fehlt an aktualisierten oder gut dokumentierten Datensätzen für die praktische Anwendung.
⬤ In einigen Abschnitten fehlen detaillierte Erklärungen, was den Leser verwirren kann.
⬤ Begrenzte Anleitungen für Anfänger in R, was das Verständnis für weniger erfahrene Leser erschweren kann.
(basierend auf 72 Leserbewertungen)
Data Analysis Using Regression and Multilevel Hierarchical Models
Data Analysis Using Regression and Multilevel/Hierarchical Models (Datenanalyse mit Regressions- und Mehrebenenmodellen) ist ein umfassendes Handbuch für den angewandten Forscher, der Datenanalysen mit linearen und nichtlinearen Regressions- und Mehrebenenmodellen durchführen möchte. Das Buch stellt eine Vielzahl von Modellen vor und zeigt dem Leser gleichzeitig, wie er diese Modelle mit den verfügbaren Softwarepaketen anwenden kann.
Das Buch veranschaulicht die Konzepte, indem es eine Vielzahl von realen Datenbeispielen durcharbeitet, die aus der eigenen angewandten Forschung der Autoren stammen, und für die jeweils Programmiercodes bereitgestellt werden. Zu den behandelten Themen gehören Kausalschlüsse, einschließlich Regression, Poststratifikation, Matching, Regressionsdiskontinuität und Instrumentalvariablen, sowie logistische Regression auf mehreren Ebenen und Imputation fehlender Daten. Praktische Tipps zum Aufbau, zur Anpassung und zum Verständnis werden durchgehend gegeben.
Autorenseite: http: //www.stat. columbia.edu/ gelman/arm/.
| ISBN: | 9780521686891 |
| Autor: | |
| Verlag: | |
| Einband: | Taschenbuch |
| Erscheinungsjahr: | 2006 |
| Seitenzahl: | 648 |
Derzeit verfügbar, auf Lager.
