Regression with Linear Predictors

این متن، به زبانی غیر فنی، یک درمان یکپارچه از مدل‌های رگرسیون را برای انواع مختلف نتایج، مانند رگرسیون خطی، رگرسیون لجستیک و رگرسیون کاکس ارائه می‌کند. این با تمرکز بر بسیاری از جنبه‌های رایج این مدل‌ها، به‌ویژه پیش‌بینی‌کننده خطی، که اثرات همه متغیرهای توضیحی را در یک تابع خطی در پارامترهای مجهول ترکیب می‌کند، انجام می‌شود. مشخصات و تفسیر گزینه‌های مختلف پارامترسازی اثرات متغیرهای کمکی (مقوله‌ای و همچنین کمی) و تعامل بین آنها شرح داده شده است. مزایا و معایب توابع پیوند مختلف که پیش‌بینی‌کننده خطی را به نتیجه مرتبط می‌کنند، با تأکید بر مسائل تفسیری مورد بحث قرار می‌گیرند، و این واقعیت که سؤالات پژوهشی مختلف از افزودن یا حذف متغیرهای کمکی از مدل ناشی می‌شوند، هم در تئوری و هم در عمل تأکید می‌شود. مدل‌های رگرسیون با پیش‌بینی‌کننده خطی معمولاً در زمینه‌هایی مانند پزشکی بالینی، اپیدمیولوژی، و بهداشت عمومی استفاده می‌شوند و این کتاب، از جمله نمونه‌های کار شده بسیار آن، بر اساس بیش از سی سال تجربه نویسندگان به عنوان معلم، محقق و مشاور در یک بخش آمار زیستی این کتاب برای خوانندگان بدون پیش‌زمینه ریاضی جامد مناسب است و با صفحات وب مستند به زبان‌های R، SAS و STATA، تحلیل‌هایی که در سراسر متن ارائه شده‌اند، همراه است. نویسندگان از سال 1978 به دپارتمان آمار زیستی دانشگاه کپنهاگ وابسته هستند. پر کراگ اندرسن استاد است. او یکی از نویسندگان کتاب اسپرینگر "مدل های آماری بر اساس فرآیندهای شمارش" است و در هیئت تحریریه چندین مجله آماری خدمت کرده است. Lene Theil Skovgaard دانشیار است. او تجربه قابل توجهی به عنوان معلم و مشاور دارد و در هیئت تحریریه Biometrics خدمت کرده است.

This text provides, in a non-technical language, a unified treatment of regression models for different outcome types, such as linear regression, logistic regression, and Cox regression. This is done by focusing on the many common aspects of these models, in particular the linear predictor, which combines the effects of all explanatory variables into a function which is linear in the unknown parameters. Specification and interpretation of various choices of parametrization of the effects of the covariates (categorical as well as quantitative) and interaction among these are elaborated upon. The merits and drawbacks of different link functions relating the linear predictor to the outcome are discussed with an emphasis on interpretational issues, and the fact that different research questions arise from adding or deleting covariates from the model is emphasized in both theory and practice. Regression models with a linear predictor are commonly used in fields such as clinical medicine, epidemiology, and public health, and the book, including its many worked examples, builds on the authors' more than thirty years of experience as teachers, researchers and consultants at a biostatistical department. The book is well-suited for readers without a solid mathematical background and is accompanied by Web pages documenting in R, SAS, and STATA, the analyses presented throughout the text. The authors are since 1978 affiliated with the Department of Biostatistics, University of Copenhagen. Per Kragh Andersen is professor; he is a co-author of the Springer book "Statistical Models Based on Counting Processes," and has served on editorial boards on several statistical journals. Lene Theil Skovgaard is associate professor; she has considerable experience as teacher and consultant, and has served on the editorial board of Biometrics.