Avis des lecteurs
Résumé:La quatrième édition de l'ouvrage est critiquée parce qu'elle n'apporte pas d'améliorations significatives par rapport à la deuxième édition et qu'elle met davantage l'accent sur les aspects mathématiques que sur les applications pratiques. Si certains utilisateurs le trouvent utile, d'autres réclament des exemples pratiques plus détaillés et des informations actualisées.
Avantages:Le livre est considéré comme utile pour ceux qui s'intéressent aux aspects mathématiques des modèles GLM. Il fournit des connaissances fondamentales et des aperçus pertinents sur le sujet.
Inconvénients:Il manque d'exemples d'applications pratiques, en particulier dans des domaines tels que la qualité de l'ajustement et la comparaison des modèles. Les exemples fournis sont jugés trop brefs et insuffisamment détaillés. Des inquiétudes ont également été exprimées quant à la nécessité d'effectuer davantage de mises à jour pour refléter les pratiques actuelles, même s'il est admis que les informations dans ce domaine n'évoluent pas rapidement.
(basé sur 2 avis de lecteurs)
Titre original :
Generalized Linear Models and Extensions: Fourth Edition
Contenu du livre :
Les modèles linéaires généralisés (GLM) étendent la régression linéaire aux modèles dont la réponse n'est pas gaussienne, voire discrète. La théorie des GLM repose sur la famille des distributions exponentielles, une classe si riche qu'elle comprend les modèles logit, probit et Poisson couramment utilisés.
Bien qu'il soit possible d'ajuster ces modèles dans Stata en utilisant des commandes spécialisées (par exemple, logit pour les modèles logit), les ajuster en tant que GLM avec la commande glm de Stata offre certains avantages. Par exemple, les diagnostics des modèles peuvent être calculés et interprétés de manière similaire, quelle que soit la distribution supposée. Ce texte couvre de manière approfondie les GLM, tant sur le plan théorique que sur le plan informatique, en mettant l'accent sur Stata.
La théorie consiste à montrer comment les différents GLM sont des cas particuliers de la famille exponentielle, à montrer les propriétés générales de cette famille de distributions, et à montrer la dérivation des estimateurs du maximum de vraisemblance (ML) et des erreurs standard. Hardin et Hilbe montrent comment les moindres carrés itératifs repondérés, une autre méthode d'estimation des paramètres, sont une conséquence de l'estimation ML utilisant la notation de Fisher.
Autres informations sur le livre :
| ISBN : | 9781597182256 |
| Auteur : | |
| Éditeur : | |
| Reliure : | Broché |
| Année de publication : | 2018 |
| Nombre de pages : | 598 |
Achat:
Actuellement disponible, en stock.
