Introducción a los modelos lineales generalizados

Opiniones de los lectores

El libro constituye una introducción de fácil lectura a los modelos lineales generalizados (MLG), apta para quienes estén familiarizados con la estadística básica. Explica eficazmente las intuiciones y los procedimientos, aunque carece de pruebas rigurosas y ejemplos prácticos de codificación.

⬤ Rápido y fácil de leer
⬤ buena introducción a los MLG
⬤ bien escrito con información valiosa
⬤ adecuado para la preparación del examen CAS MAS-I
⬤ explicaciones teóricas accesibles.

⬤ Requiere conocimientos previos de regresión lineal y logística
⬤ carece de pruebas para las distribuciones de muestreo
⬤ insuficientes ejemplos de codificación y recursos adicionales para principiantes
⬤ puede que no se adapte plenamente a quienes no tengan formación teórica en estadística.

(basado en 6 opiniones de lectores)

Título original:

An Introduction to Generalized Linear Models

Contenido del libro:

An Introduction to Generalized Linear Models, Fourth Edition proporciona un marco coherente para la modelización estadística, haciendo hincapié en los métodos numéricos y gráficos. Esta nueva edición de un bestseller se ha actualizado con nuevas secciones sobre asociaciones no lineales, estrategias para la selección de modelos y un postfacio sobre buenas prácticas estadísticas.

Al igual que su predecesora, esta edición presenta los fundamentos teóricos de los modelos lineales generalizados (MLG) antes de centrarse en los métodos para analizar determinados tipos de datos. Abarca las distribuciones Normal, Poisson y Binomial; los modelos de regresión lineal; los métodos clásicos de estimación y ajuste de modelos; y los métodos frecuentistas de inferencia estadística. Tras sentar estas bases, los autores exploran la regresión lineal múltiple, el análisis de la varianza (ANOVA), la regresión logística, los modelos log-lineales, el análisis de supervivencia, el modelado multinivel, los modelos bayesianos y los métodos Markov chain Monte Carlo (MCMC).

⬤ Presenta los MLG de forma que los lectores puedan comprender la estructura unificadora que los sustenta.

⬤ Analiza los conceptos y principios comunes de los MLG avanzados, incluida la regresión nominal y ordinal, el análisis de supervivencia, las asociaciones no lineales y el análisis longitudinal.

⬤ Conecta el análisis bayesiano y los métodos MCMC para ajustar GLMs.

⬤ Contiene numerosos ejemplos de negocios, medicina, ingeniería y ciencias sociales.

⬤ Proporciona el código de ejemplo para R, Stata y WinBUGS para fomentar la implementación de los métodos.

⬤ Ofrece los conjuntos de datos y las soluciones a los ejercicios en línea.

⬤ Describe los componentes de la buena práctica estadística para mejorar la validez científica y la reproducibilidad de los resultados.

Utilizando programas de software estadístico populares, este texto conciso y accesible ilustra enfoques prácticos de estimación, ajuste de modelos y comparación de modelos.