Regression Modeling Strategies: With Applications to Linear Models, Logistic Regression, and Survival Analysis

بسیاری از متون منابع عالی دانش در مورد ابزارهای آماری فردی هستند، اما هنر تجزیه و تحلیل داده ها در مورد انتخاب و استفاده از چندین ابزار است. این متن به جای ارائه تکنیک‌های مجزا، بر استراتژی‌های حل مسئله تأکید می‌کند که به بسیاری از مسائل ناشی از توسعه مدل‌های چند متغیره با استفاده از داده‌های واقعی و نه نمونه‌های کتاب درسی استاندارد می‌پردازد. این شامل روش‌های انتساب برای برخورد مؤثر با داده‌های از دست رفته، روش‌هایی برای برخورد با روابط غیرخطی و برای تبدیل تخمین تبدیل‌ها به بخشی رسمی از فرآیند مدل‌سازی، روش‌هایی برای مقابله با "متغیرهای بسیار زیادی برای تجزیه و تحلیل و مشاهدات کافی" نیست. و تکنیک های قدرتمند اعتبارسنجی مدل بر اساس بوت استرپ. این متن به طور واقع بینانه با عدم قطعیت مدل و اثرات آن بر استنتاج برای دستیابی به \"داده کاوی ایمن\" سروکار دارد.

Many texts are excellent sources of knowledge about individual statistical tools, but the art of data analysis is about choosing and using multiple tools. Instead of presenting isolated techniques, this text emphasizes problem solving strategies that address the many issues arising when developing multivariable models using real data and not standard textbook examples. It includes imputation methods for dealing with missing data effectively, methods for dealing with nonlinear relationships and for making the estimation of transformations a formal part of the modeling process, methods for dealing with "too many variables to analyze and not enough observations," and powerful model validation techniques based on the bootstrap. This text realistically deals with model uncertainty and its effects on inference to achieve "safe data mining".