Vector Generalized Linear and Additive Models: With an Implementation in R

این کتاب یک چارچوب آماری بسیار بزرگ‌تر را در مقایسه با مدل‌های خطی تعمیم‌یافته (GLM) ارائه می‌کند که با آن به مدل‌سازی رگرسیون نزدیک می‌شود. این چارچوب متشکل از حدود نیم دوجین کلاس اصلی از مدل‌های آماری، و تقویت شده با زیرساخت‌های لازم برای عملکرد کامل‌تر مدل‌ها، امکان انجام تحلیل‌های مبتنی بر بسیاری از مدل‌های آماری کاربردی نیمه سنتی را به عنوان یک کل منسجم فراهم می‌کند. p>

از زمان ظهور خود در سال 1972، GLM ها توزیع های مهمی را در زیر یک چتر واحد با پیامدهای عظیم متحد کردند. با این حال، GLM ها به اندازه کافی انعطاف پذیر نیستند تا بتوانند با نیازهای تحلیل داده های عملی مقابله کنند. و GLM های مبتنی بر داده، به شکل مدل های افزایشی تعمیم یافته (GAMs)، نیز تا حد زیادی به خانواده نمایی محدود می شوند. روش شناسی در اینجا و نرم افزار همراه آن (بسته گسترده VGAM R) به این محدودیت ها است و برای اولین بار به طور جامع در یک جلد توضیح داده شده است. این کتاب توزیع‌ها و مدل‌های کلاسیک را به‌عنوان مدل‌های رگرسیون تعمیم‌یافته در نظر می‌گیرد، و نتیجه یک پایگاه کاربردی بسیار گسترده‌تر برای GLM و GAM است.

این کتاب را می‌توان در دوره‌های کارشناسی ارشد یا دوره‌های کارشناسی ارشد سال اول استفاده کرد. در GLM ها یا تجزیه و تحلیل داده های طبقه بندی شده و به عنوان یک منبع روش شناسی برای کاربران VGAM. در بخش دوم کتاب، بسته R VGAM به خوانندگان اجازه می دهد تا فوراً کاربردهای روش را درک کنند. کد R در متن یکپارچه شده است و مجموعه داده ها در سراسر آن استفاده می شود. کاربردهای بالقوه شامل اکولوژی، امور مالی، آمار زیستی و علوم اجتماعی است. سهم روش شناختی این کتاب به تنهایی است و نیازی به استفاده از بسته VGAM ندارد.

This book presents a greatly enlarged statistical framework compared to generalized linear models (GLMs) with which to approach regression modelling. Comprising of about half-a-dozen major classes of statistical models, and fortified with necessary infrastructure to make the models more fully operable, the framework allows analyses based on many semi-traditional applied statistics models to be performed as a coherent whole.

Since their advent in 1972, GLMs have unified important distributions under a single umbrella with enormous implications. However, GLMs are not flexible enough to cope with the demands of practical data analysis. And data-driven GLMs, in the form of generalized additive models (GAMs), are also largely confined to the exponential family. The methodology here and accompanying software (the extensive VGAM R package) are directed at these limitations and are described comprehensively for the first time in one volume. This book treats distributions and classical models as generalized regression models, and the result is a much broader application base for GLMs and GAMs.

The book can be used in senior undergraduate or first-year postgraduate courses on GLMs or categorical data analysis and as a methodology resource for VGAM users. In the second part of the book, the R package VGAM allows readers to grasp immediately applications of the methodology. R code is integrated in the text, and datasets are used throughout. Potential applications include ecology, finance, biostatistics, and social sciences. The methodological contribution of this book stands alone and does not require use of the VGAM package.