Name: Generalized Linear Models and Extensions: Fourth Edition (en Inglés)
Price: 245032.00 COP
Availability: InStock
Author: Hardin, James W. ; Hilbe, Joseph M.
ISBN: 9781597182256

portada Generalized Linear Models and Extensions: Fourth Edition (en Inglés)

Formato

Libro Físico

Autor

Joseph M. Hilbe

James W. Hardin

Editorial

Stata Press

Año

2018

Idioma

Inglés

N° páginas

598

Encuadernación

Tapa Blanda

Dimensiones

23.4 x 18.3 x 3.8 cm

Peso

1.25 kg.

ISBN13

9781597182256

N° edición

0004

Categorías

Probabilidad y estadística

Generalized Linear Models and Extensions: Fourth Edition (en Inglés)

Joseph M. Hilbe (Autor) · James W. Hardin (Autor) · Stata Press · Tapa Blanda

Libro Nuevo

$ 245.032

$ 408.387

Ahorras: $ 163.355

40% descuento

Envío normal

Origen: Estados Unidos (Costos de importación incluídos en el precio)

Se enviará desde nuestra bodega entre el Lunes 01 de Julio y el Miércoles 17 de Julio.

Lo recibirás en cualquier lugar de Colombia entre 1 y 5 días hábiles luego del envío.

Reseña del libro "Generalized Linear Models and Extensions: Fourth Edition (en Inglés)"

Generalized linear models (GLMs) extend linear regression to models with a non-Gaussian, or even discrete, response. GLM theory is predicated on the exponential family of distributions--a class so rich that it includes the commonly used logit, probit, and Poisson models. Although one can fit these models in Stata by using specialized commands (for example, logit for logit models), fitting them as GLMs with Stata's glm command offers some advantages. For example, model diagnostics may be calculated and interpreted similarly regardless of the assumed distribution.This text thoroughly covers GLMs, both theoretically and computationally, with an emphasis on Stata. The theory consists of showing how the various GLMs are special cases of the exponential family, showing general properties of this family of distributions, and showing the derivation of maximum likelihood (ML) estimators and standard errors. Hardin and Hilbe show how iteratively reweighted least squares, another method of parameter estimation, are a consequence of ML estimation using Fisher scoring.