Linear Regression Models: Applications in R

تحقیقات در علوم اجتماعی و رفتاری برای چندین دهه از مدل‌های رگرسیون خطی (LRMs) برای شناسایی و درک ارتباط میان مجموعه‌ای از متغیرهای توضیحی و یک متغیر نتیجه بهره برده است. مدل‌های رگرسیون خطی: برنامه‌های کاربردی در R یک بررسی جامع از این مدل‌ها و راهنمایی‌های ضروری در مورد نحوه تخمین آنها با استفاده از محیط نرم‌افزار R را در اختیار شما قرار می‌دهد.

پس از ارائه برخی مطالب پس زمینه، نویسنده نحوه تخمین LRMهای ساده و چندگانه را در R توضیح می دهد، از جمله نحوه تفسیر ضرایب آنها و درک مفروضات آنها. چندین فصل به طور کامل این مفروضات را تشریح می کند و توضیح می دهد که چگونه می توان تعیین کرد که آیا آنها راضی هستند یا خیر و چگونه می توان مدل رگرسیون را در صورت عدم رضایت اصلاح کرد. این کتاب همچنین شامل فصل هایی در مورد تعیین مدل صحیح، تنظیم خطای اندازه گیری، درک اثرات مشاهدات تاثیرگذار و استفاده از مدل با داده های چند سطحی است. فصل پایانی یک مدل جایگزین - رگرسیون لجستیک - ارائه می‌کند که برای متغیرهای نتیجه باینری یا دو طبقه‌ای طراحی شده است. این کتاب شامل ضمیمه‌هایی است که مدیریت داده‌ها و داده‌های از دست رفته را مورد بحث قرار می‌دهد و شبیه‌سازی‌هایی در R برای آزمایش فرضیات مدل ارائه می‌کند.

ویژگی‌ها

• معرفی کامل و اطلاعات دقیق در مورد مدل رگرسیون خطی، از جمله نحوه درک و تفسیر نتایج آن، آزمون فرضیات، و انطباق مدل زمانی که مفروضات برآورده نمی‌شوند، ارائه می‌کند.
< p>
• از نمودارهای متعدد در R برای نشان دادن نتایج مدل، مفروضات و سایر ویژگی‌ها استفاده می‌کند.
• پیش‌زمینه حساب دیفرانسیل و انتگرال یا جبر خطی را فرض نمی‌کند، بلکه یک درس آمار مقدماتی و آشنایی با جبر ابتدایی کافی است.
• نمونه‌های زیادی را با استفاده از مجموعه داده‌های دنیای واقعی مرتبط با رشته‌های مختلف دانشگاهی ارائه می‌کند.
• محیط نرم‌افزار R را به طور کامل در نمونه‌های متعدد آن یکپارچه می‌کند.

این کتاب عمدتاً برای دانشجویان پیشرفته در مقطع کارشناسی و کارشناسی ارشد در رشته‌های اجتماعی، رفتاری، علوم بهداشتی و رشته‌های مرتبط، که اولین دوره را به صورت خطی می‌گذرانند، طراحی شده است. پسرفت. همچنین می تواند برای مطالعه خود مورد استفاده قرار گیرد و یک مرجع عالی برای هر محققی در این زمینه ها باشد. کد R و مثال‌های مفصل ارائه‌شده در سراسر کتاب، خواننده را با مجموعه‌ای از ابزارهای عالی برای انجام تحقیقات در مورد پدیده‌های اجتماعی و رفتاری متعدد مجهز می‌کند.

جان پی. هافمن یک پروفسور است. از جامعه شناسی در دانشگاه بریگهام یانگ که در آنجا روش های تحقیق و دوره های آمار کاربردی را تدریس می کند و در مورد مصرف مواد و رفتار مجرمانه تحقیق می کند.

Research in social and behavioral sciences has benefited from linear regression models (LRMs) for decades to identify and understand the associations among a set of explanatory variables and an outcome variable. Linear Regression Models: Applications in R provides you with a comprehensive treatment of these models and indispensable guidance about how to estimate them using the R software environment.

After furnishing some background material, the author explains how to estimate simple and multiple LRMs in R, including how to interpret their coefficients and understand their assumptions. Several chapters thoroughly describe these assumptions and explain how to determine whether they are satisfied and how to modify the regression model if they are not. The book also includes chapters on specifying the correct model, adjusting for measurement error, understanding the effects of influential observations, and using the model with multilevel data. The concluding chapter presents an alternative model―logistic regression―designed for binary or two-category outcome variables. The book includes appendices that discuss data management and missing data and provides simulations in R to test model assumptions.

Features

• Furnishes a thorough introduction and detailed information about the linear regression model, including how to understand and interpret its results, test assumptions, and adapt the model when assumptions are not satisfied.
• Uses numerous graphs in R to illustrate the model’s results, assumptions, and other features.
• Does not assume a background in calculus or linear algebra, rather, an introductory statistics course and familiarity with elementary algebra are sufficient.
• Provides many examples using real-world datasets relevant to various academic disciplines.
• Fully integrates the R software environment in its numerous examples.

The book is aimed primarily at advanced undergraduate and graduate students in social, behavioral, health sciences, and related disciplines, taking a first course in linear regression. It could also be used for self-study and would make an excellent reference for any researcher in these fields. The R code and detailed examples provided throughout the book equip the reader with an excellent set of tools for conducting research on numerous social and behavioral phenomena.

John P. Hoffmann is a professor of sociology at Brigham Young University where he teaches research methods and applied statistics courses and conducts research on substance use and criminal behavior.