Saya masih cukup baru untuk model linier umum, dan saya berjuang dengan banyak notasi di sebagian besar teks GLM yang saya ambil. Apakah ada buku GLM yang sangat populer yang cocok untuk dibaca?
Saya masih cukup baru untuk model linier umum, dan saya berjuang dengan banyak notasi di sebagian besar teks GLM yang saya ambil. Apakah ada buku GLM yang sangat populer yang cocok untuk dibaca?
Jawaban:
Untuk seorang praktisi baru, saya suka Gelman dan Hill.
Analisis Data Menggunakan Regresi dan Model Bertingkat / Hirarki
Seolah-olah buku ini tentang Hierarchical Generalized Linear Models, topik yang lebih maju daripada GLM; bagian pertama adalah panduan praktisi yang luar biasa untuk GLM.
Buku ini ringan pada teori, berat pada praktik statistik yang disiplin, dipenuhi dengan studi kasus dan kode R praktis, semua diceritakan dengan suara yang ramah dan bersahabat.
Saya penggemar berat Agresti Analisis Data Kategorikal.
Saya telah membaca buku Intro Agresti tetapi menemukan interpretasi kunci yang hilang untuk bagaimana model linier umum dibuat dan bagaimana cara kerjanya. Misalnya, Anda mungkin tidak perlu tahu cara kerja distribusi binomial dan tautan logit jika Anda hanya ingin menyesuaikan dengan regresi logistik. Namun itu menjengkelkan ketika Anda telah membaca bab dan mulai bertanya-tanya tentang hal ini tetapi tidak dapat menemukannya di buku ini.
Buku McCullagh dan Nelder GLM sulit dibaca. Ini berisi semua yang perlu Anda ketahui tetapi tidak memiliki derivasi untuk hasil utama.
Untungnya, Analisis Data Kategorikal Agresti menyajikan keseimbangan yang baik.
Sebagai pemula yang lengkap sendiri, saya menemukan Yayasan Model Linear dan Generalized Linear oleh penulis terkenal Analisis Data Kategorikal Alan Agresti sangat membantu. Bahasa lancar, meskipun beberapa pemaparan terhadap Aljabar Linier diasumsikan.
Saya sangat menyukai Model Efek Campuran dengan Ekstensi di R - Zuur, et. al . Ini adalah kelanjutan dari buku mereka yang lebih lama Analyzing Ecological Data (2007). Mereka melakukan pekerjaan yang baik untuk memotivasi model, bersama dengan banyak contoh visual untuk menjelaskan seperti apa GLM. Mereka juga menemukan keseimbangan yang baik antara teori, aplikasi, dan diskusi. Plus mereka memiliki semua kode dan kumpulan data di situs web mereka, sehingga Anda dapat segera menerapkan apa yang telah Anda pelajari.