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.
quelle
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.
quelle
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
quelle
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
R
Beispiele für Lernstile, die in den Kapiteln leicht zu befolgen sind .quelle
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.
quelle
Alain Zuurs Buch "Eine Einführung in GLM und GLMM mit R" enthält einige schöne Beispiele für GLMs und GLMMs in R.
quelle
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,
glmnet
das 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 überglmnet
. Hoffentlich hilft das.quelle