|
| 編輯推薦： |
|
本书包含的内容比书名还要多得多！除了作为广义可加模型的首选参考书之外，本书还对线性模型、线性混合模型、广义线性模型和广义可加混合模型进行了非常清晰和简洁的介绍，可谓是一本全面的回归建模指南。美国国家科学院院士Trevor Hastie赞誉此书和R软件是对应用统计学和数据科学的杰出贡献！
|
| 內容簡介： |
|
广义可加模型（GAM）是处理建模结果和协变量之间非线性关系的首选方法。本书的第１版已成为国际上该领域的主流教材和参考书之一，并且是唯一一部包含大量实例和软件实现的导论指南。第２版比第１版更具可读性，不仅对全书进行了重构，而且添加了一些新材料，包括自适应平滑、位置尺度建模和函数性数据分析等。书中提供了线性模型、线性混合模型和广义线性模型（GLM）的必要背景，然后对GAM和相关模型的理论和应用都进行了深入讲授。作者将他的方法建立在惩罚回归样条模型框架的基础上，并且在大力关注GAM的实际方面的同时，讨论了这些方法背后的理论解释。使用R软件则更有助于解释理论并展示该方法的实际应用。书中每章都包含大量练习，并在全书最后的附录C和本书的配套R数据包gamair中提供了解答。本书可供统计工作者和高等院校有关专业师生阅读和参考，既可以作为授课教材，也可供自学使用。
|
| 關於作者： |
|
西蒙·伍德（Simon N. Wood），英国爱丁堡大学统计学教授，先前还曾在巴斯大学和布里斯托大学任教。他是R包mgcy的作者，主要研究方向为统计计算、平滑方法和统计生态学及流行病学。伍德教授是统计学国际顶级期刊Journal of the Royal Statistical Society， Series B的主编，并受邀在皇家统计学会（RSS）的2022年国际大会上做主题演讲。
|
| 目錄：
|
Preface
Linear ModelsLinear Mixed ModelsGeneralized Linear ModelsIntroducing GAMsSmoothersGAM theoryGAMs in Practice: mgcv
Appendix A. Maximum Likelihood Estimation
Appendix B. Some Matrix Algebra
Appendix C. Solutions to Exercises
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
