Bewertung:
An der vierten Auflage des Buches wird kritisiert, dass sie sich gegenüber der zweiten Auflage nicht wesentlich verbessert hat und sich stärker auf mathematische Aspekte als auf praktische Anwendungen konzentriert. Einige Benutzer finden es zwar nützlich, fordern aber detailliertere praktische Beispiele und aktualisierte Informationen.
Vorteile:Das Buch wird als nützlich für diejenigen angesehen, die sich für die mathematischen Aspekte von GLM-Modellen interessieren. Es vermittelt grundlegende Kenntnisse und Einsichten, die für das Thema relevant sind.
Nachteile:Es mangelt an praktischen Anwendungsbeispielen, insbesondere in Bereichen wie Anpassungsgüte und Modellvergleich. Die angeführten Beispiele werden als zu kurz und zu wenig detailliert empfunden. Es werden auch Bedenken geäußert, dass mehr Aktualisierungen erforderlich sind, um aktuelle Praktiken widerzuspiegeln, obwohl anerkannt wird, dass sich die Informationen in diesem Bereich nicht schnell ändern.
(basierend auf 2 Leserbewertungen)
Generalized Linear Models and Extensions: Fourth Edition
Verallgemeinerte lineare Modelle (GLMs) erweitern die lineare Regression auf Modelle mit einer nicht-gaußschen oder sogar diskreten Antwort. Die GLM-Theorie basiert auf der Familie der Exponentialverteilungen - eine Klasse, die so reichhaltig ist, dass sie die häufig verwendeten Logit-, Probit- und Poisson-Modelle umfasst.
Obwohl diese Modelle in Stata mit speziellen Befehlen angepasst werden können (z. B. logit für Logit-Modelle), bietet ihre Anpassung als GLMs mit dem glm-Befehl von Stata einige Vorteile.
Zum Beispiel kann die Modelldiagnose unabhängig von der angenommenen Verteilung auf ähnliche Weise berechnet und interpretiert werden. Dieser Text behandelt GLMs gründlich, sowohl theoretisch als auch rechnerisch, mit einem Schwerpunkt auf Stata.
Die Theorie besteht darin, zu zeigen, wie die verschiedenen GLMs Spezialfälle der Exponentialfamilie sind, allgemeine Eigenschaften dieser Verteilungsfamilie aufzuzeigen und die Ableitung von Maximum-Likelihood-Schätzern (ML) und Standardfehlern zu zeigen. Hardin und Hilbe zeigen, wie iterativ neu gewichtete kleinste Quadrate, eine weitere Methode der Parameterschätzung, eine Folge der ML-Schätzung unter Verwendung des Fisher-Scoring sind.
| ISBN: | 9781597182256 |
| Autor: | |
| Verlag: | |
| Einband: | Taschenbuch |
| Erscheinungsjahr: | 2018 |
| Seitenzahl: | 598 |
Derzeit verfügbar, auf Lager.
