Modelos lineales generalizados y extensiones: Cuarta edición

Opiniones de los lectores

La cuarta edición del libro recibe críticas por no mejorar significativamente respecto a la segunda, ya que se centra más en los aspectos matemáticos que en las aplicaciones prácticas. Aunque algunos usuarios lo consideran útil, se pide que se incluyan ejemplos prácticos más detallados e información actualizada.

El libro se considera útil para los interesados en los aspectos matemáticos de los modelos MLG. Proporciona conocimientos fundamentales y perspectivas relevantes para el tema.

Le faltan ejemplos de aplicación práctica, sobre todo en áreas como la bondad del ajuste y la comparación de modelos. Los ejemplos proporcionados se consideran demasiado breves e insuficientemente detallados. También preocupa la necesidad de más actualizaciones para reflejar las prácticas actuales, a pesar de que se reconoce que la información en este campo no cambia con rapidez.

(basado en 2 opiniones de lectores)

Título original:

Generalized Linear Models and Extensions: Fourth Edition

Contenido del libro:

Los modelos lineales generalizados (MLG) amplían la regresión lineal a modelos con una respuesta no gaussiana, o incluso discreta. La teoría de los MLG se basa en la familia exponencial de distribuciones, una clase tan rica que incluye los modelos logit, probit y Poisson de uso común.

Aunque uno puede ajustar estos modelos en Stata usando comandos especializados (por ejemplo, logit para modelos logit), ajustarlos como GLMs con el comando glm de Stata ofrece algunas ventajas. Por ejemplo, los diagnósticos del modelo pueden ser calculados e interpretados de manera similar, independientemente de la distribución asumida. Este texto cubre a fondo los MLG, tanto teórica como computacionalmente, con énfasis en Stata.

La teoría consiste en mostrar cómo los diversos MLGs son casos especiales de la familia exponencial, mostrando propiedades generales de esta familia de distribuciones, y mostrando la derivación de estimadores de máxima verosimilitud (ML) y errores estándar. Hardin y Hilbe muestran cómo los mínimos cuadrados reponderados iterativamente, otro método de estimación de parámetros, son una consecuencia de la estimación ML utilizando la puntuación de Fisher.