Referenzanforderung: Verallgemeinerte lineare Modelle

Ich bin auf der Suche nach einer Einführung in ein Buch für Fortgeschrittene über generalisierte lineare Modelle. Im Idealfall möchte ich zusätzlich zu der Theorie, die hinter den Modellen steht, Anwendungen und Beispiele in R oder einer anderen Programmiersprache einfügen - ich höre, dass SAS auch eine beliebte Wahl ist. Ich beabsichtige, es selbst zu studieren, und es wäre daher hilfreich, wenn es die Antworten auf seine eigenen Übungen geben würde.

Sie können davon ausgehen, dass ich die traditionellen einjährigen Kurse in Analysis und Wahrscheinlichkeitstheorie belegt habe. Ich bin auch mit den Grundlagen der Regressionsanalyse vertraut.

Gelman, Andrew und Jennifer Hill. Datenanalyse mit Regression und mehrstufigen / hierarchischen Modellen. In Cambridge University Press 2007 geht es nicht nur um GLMs an sich, sondern auch um diese. Es bietet eine schöne Mischung aus Theorie, praktischen Ratschlägen, Implementierung in R und Übungen (und wenn Sie im Internet danach suchen, finden Sie möglicherweise eine ebook version davon!).

Kein Lehrbuch, aber frei verfügbar ist dieser Statistikkurs der Harvard Government Department, in dem auch die gängigsten GLMs behandelt werden. Der Abschnitt Videos behandeln die Implementierung in R. Das Lehrbuch ist King, Gary. Einheitliche politische Methodik: Die Wahrscheinlichkeitstheorie der statistischen Inferenz. University of Michigan Press, 1989.

Haftungsausschluss: Es folgt eine sehr subjektive persönliche Meinung ...

Für Theorie und Anwendungen kann ich Generalized Linear Models and Extensions von Hardin und Hilbe nicht empfehlen . Es verwendet SPSS Stata (beides), das ich nie benutze und über das ich nichts weiß, aber es deckt die Theorie ab und enthält eine Reihe sehr reicher Beispiele. Wenn ich zuerst ein Buch auswählen müsste, wäre es dieses.

Ein eher theorieorientiertes Buch sind Generalized, Linear und Mixed Models von McCulloch, Searle und Neuhaus. Dies hat weniger Beispiele als Hardin und Hilbe, geht aber weiter auf zufällige Effekte sowohl für das lineare Modell als auch für das GLM ein. Dies ist mein Lieblings-GLM-Buch, weil es viele Dinge miteinander verbindet, aber wenn Sie kein Interesse an zufälligen Effekten haben, kann es übertrieben sein.

Was ich als kanonische Referenz für GLMs bezeichnen würde, sind generalisierte lineare Modelle von McCullagh und Nelder. Es ist ein wenig älterer Titel, aber ich habe ihn sehr genossen.

Verallgemeinerte lineare Modelle mit Anwendungen in Ingenieurwissenschaften und Naturwissenschaften von Myers, Montgomery, Vining und Robinson beschäftigen sich etwas mehr mit binären / Poisson-GLMs und haben auch interessante Beispiele. Die neue Ausgabe enthält Beispiele in einigen Sprachen, darunter R.

Vor einiger Zeit habe ich Faraways Erweiterung des linearen Modells mit R: verallgemeinerten linearen, gemischten Effekten und nichtparametrischen Regressionsmodellen aufgegriffen , und es hat mir sehr geholfen, Dinge in R zu tun, obwohl es kein gutes Buch zum Selbstlernen von GLM ist. Aber es kann ein guter Begleiter zu einigen der anderen Bücher da draußen sein.

Ich mag Frank Harrells Regressionsmodellierungsstrategien sehr.

Der Text von Dobson und Barnett

http://www.amazon.com/Introduction-Generalized-Edition-Chapman-Statistical/dp/1584889500

ist meiner meinung nach genau in die richtung gerichtet die du fragst. Es ist eine gute Mischung aus technischen Details und freundlichem Stil.

Dieser hat mir sehr geholfen:

Springer Linear-Mischeffektmodelle mit R von A. Galecki und T. Burzykowski.

http://www.springer.com/statistics/statistical+theory+and+methods/book/978-1-4614-3899-1

Die Einführung in das statistische Lernen mit Anwendungen in R war ein sehr einfach zu befolgender Einführungstext, der sich mit GLMs befasst. Wie der Titel andeutet, sind in R Problemsätze und Beispielcode enthalten. Ich habe viel gelernt, als ich dieses Buch durchgesehen habe.

Wenn Sie mit der linearen Algebra vertraut sind, behandelt Elements of Statistical Learning dasselbe Material ausführlicher und viele andere Themen, es gibt jedoch nicht die gleichen RBeispiele für Lernstile, die in den Kapiteln leicht zu befolgen sind .

Die Vorlesungsunterlagen für den Princeton-Kurs zu GLMs von German Rodriguez sind eine gründliche Einführung, die Beispiele für die gängigsten Typen enthält und die Beziehungen zwischen ihnen erklärt. Die theoretischeren Aspekte sind in zwei Anhängen getrennt.

Alain Zuurs Buch "Eine Einführung in GLM und GLMM mit R" enthält einige schöne Beispiele für GLMs und GLMMs in R.

Hier ist eine gute Beschreibung der verallgemeinerten linearen Regression. Der Code wird in R geschrieben und erklärt, wie sie funktionieren. CRAN hat auch ein Paket, glmnetdas dies für Sie erledigt, dessen Verwendung jedoch anfangs etwas unhandlich sein kann. Aber sobald Sie einen Dreh raus haben, ist es ziemlich flexibel. Hier ist ein guter Bericht über glmnet. Hoffentlich hilft das.