Bewertung:
Das Buch wird wegen seiner Klarheit, seines praktischen Ansatzes und der umfassenden Abdeckung von mehrstufigen Modellierungs- und Regressionstechniken hoch gelobt. Besonders beliebt ist es bei Nutzern, die mit R vertraut sind und die Beispiele und die praktische Kodierung schätzen. Allerdings äußerten viele Rezensenten ihre Frustration über die Qualität des bereitgestellten R-Codes und wiesen auf zahlreiche Fehler und Inkonsistenzen hin, die den Lernerfolg beeinträchtigen. Auch die Organisation des Buches und die begleitenden Ressourcen könnten verbessert werden.
Vorteile:⬤ Umfassende Behandlung von mehrstufigen Modellierungs- und Regressionstechniken.
⬤ Klarer und ansprechender Schreibstil, der komplexe Konzepte verständlich macht.
⬤ Praktische Beispiele und Rezepte für die Verwendung von R.
⬤ Starke Betonung auf dem Verständnis theoretischer Konzepte und nicht nur auf der Anwendung von Formeln.
⬤ Nützlich als Nachschlagewerk sowohl für Studenten als auch für erfahrene Forscher in den Sozialwissenschaften.
⬤ R-Code-Beispiele sind oft fehlerhaft oder schlecht erklärt, was zu Frustration führt.
⬤ Einigen Abschnitten mangelt es an ausreichender Tiefe, so dass das Buch für ein umfassendes Verständnis zusätzliche Ressourcen erfordert.
⬤ Die Organisation des Inhalts kann sich zerstreut anfühlen, was den Fluss und die Konsistenz beeinträchtigt.
⬤ Die bereitgestellten Datensätze und Beispiele sind nicht immer gut dokumentiert oder leicht zugänglich.
(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: | 9780521867061 |
| Autor: | |
| Verlag: | |
| Einband: | Hardcover |
| Erscheinungsjahr: | 2006 |
| Seitenzahl: | 648 |
Derzeit verfügbar, auf Lager.
