The Analysis of Categorical Data Using GLIM

متن حاضر حاصل آموزش یک درس آماری سال سوم به دانشجویان رشته علوم اجتماعی در مقطع کارشناسی می باشد. این دانش‌آموزان علاوه بر دوره‌های آمار قبلی، یک دوره مقدماتی در برنامه‌نویسی کامپیوتر (فرترن، پاسکال، یا سی) و دروس حساب دیفرانسیل و انتگرال و جبر خطی داشته‌اند تا شاید دانشجویان معمولی جامعه‌شناسی نباشند. این دوره در مورد تجزیه و تحلیل جداول احتمالی با همه دانشجویان در مقابل پایانه های کامپیوتر و اخیراً کامپیوترهای میکرو که به صورت تعاملی با GLIM کار می کنند ارائه شده است. با توجه به اهمیت تجزیه و تحلیل داده‌های طبقه‌بندی شده با استفاده از مدل‌های خطی ورود به سیستم در بدنه کلی مدل‌هایی که به عنوان مدل‌های خطی عمومی (GLMs) شناخته می‌شوند، این کتاب باید برای هر کسی، در هر زمینه‌ای که با چنین کاربردهایی مرتبط است، جالب باشد. این باید به عنوان یک راهنما برای دوره های آمار کاربردی که این موضوع را پوشش می دهد مناسب باشد. من فرض می‌کنم که خواننده از قبل پایه‌ای قوی در آمار، و به‌ویژه در برخورد با مدل‌های لگ-خطی لجستیک دارد. من همچنین فرض می کنم که او یا از خود GLIM. از آنجایی که او به کتابچه راهنمای GLIM و به یک نسخه عملیاتی دسترسی دارد، به عبارت دیگر، این کتاب وانمود نمی‌کند که مقدمه‌ای کامل برای استفاده از GLIM یا توضیحی از ویژگی‌های آماری مدل‌های لگاریتم خطی ارائه کند. برای مورد اول، من هیلی (1988) و آیتکین و همکاران (1989) را توصیه می کنم. با توجه به دومی، کتاب های زیادی در حال حاضر وجود دارد، که من به خصوص کتاب پینگلتون (1984) را در شرایط فعلی توصیه می کنم.

The present text is the result of teaching a third year statistical course to undergraduate social science students. Besides their previous statistics courses, these students have had an introductory course in computer programming (FORTRAN, Pascal, or C) and courses in calculus and linear algebra, so that they may not be typical students of sociology. This course on the analysis of contingency tables has been given with all students in front of computer terminals, and, more recently, micro­ computers, working interactively with GLIM. Given the importance of the analysis of categorical data using log linear models within the overall body of models known as general linear models (GLMs) treated by GLIM, this book should be of interest to anyone, in any field, concerned with such applications. It should be suitable as a manual for applied statistics courses covering this subject. I assume that the reader has already a reasonably strong foundation in statistics, and specifically in dealing with the log-linearllogistic models. I also assume that he or of GLIM itself. In she has access to the GLIM manual and to an operational version other words, this book does not pretend to present either a complete introduction to the use of GLIM or an exposition of the statistical properties of log-linearllogistic models. For the former, I would recommend Healy (1988) and Aitkin et al (1989). Por the latter, many books already exist, of which I would especially recommend that of Pingleton (1984) in the present context.