Analyzing Categorical Data

داده های طبقه بندی شده اغلب در بسیاری از زمینه ها از جمله بیومتریک، اقتصاد، مدیریت، تولید، بازاریابی، روانشناسی و جامعه شناسی به دست می آیند. این کتاب مقدمه ای برای تجزیه و تحلیل چنین داده هایی ارائه می دهد. پوشش گسترده است، با استفاده از مدل رگرسیون پواسون لاگ خطی و مدل های رگرسیون دو جمله ای لجستیک به عنوان موتورهای اولیه برای روش. موضوعات تحت پوشش شامل مدل‌های رگرسیون شمارش، مانند مدل‌های پواسون، دوجمله‌ای منفی، تورم صفر و مدل‌های برش صفر است. مدل های لاگ خطی برای جداول احتمالی دو بعدی و چند بعدی، از جمله برای جداول مربع و جداول با دسته بندی های مرتب. و مدل‌های رگرسیون برای متغیرهای هدف دو دسته‌ای (دودویی) و چند طبقه‌ای، مانند مدل‌های شانس لجستیک و متناسب.

همه روش‌ها با تجزیه و تحلیل نمونه‌های داده واقعی، که بسیاری از مقالات اخیر در حوزه موضوعی مجلات هستند، نشان داده شده‌اند. . این تحلیل‌ها در متن برجسته شده‌اند، و جزئی‌تر از معمول هستند، و بحث در مورد زمینه و پیشینه مشکل، بررسی مدل، و مفاهیم علمی را ارائه می‌دهند. بیش از 200 تمرین ارائه شده است که بسیاری از آنها نیز بر اساس ادبیات موضوعی اخیر هستند. مجموعه داده ها و کدهای کامپیوتری در وب سایت اختصاص داده شده به متن موجود است. پذیرندگان این کتاب ممکن است یک راهنمای راه حل را از: textbook@springer-ny.com درخواست کنند.

Jeffrey S. Simonoff استاد آمار در دانشگاه نیویورک است. او نویسنده روش های هموارسازی در آمار و نویسنده کتاب موردی برای اولین دوره در آمار و تجزیه و تحلیل داده ها و همچنین مقالات متعدد در مجلات علمی است. او عضو انجمن آماری آمریکا و مؤسسه آمار ریاضی و عضو منتخب مؤسسه آماری بین‌المللی است.

Categorical data arise often in many fields, including biometrics, economics, management, manufacturing, marketing, psychology, and sociology. This book provides an introduction to the analysis of such data. The coverage is broad, using the loglinear Poisson regression model and logistic binomial regression models as the primary engines for methodology. Topics covered include count regression models, such as Poisson, negative binomial, zero-inflated, and zero-truncated models; loglinear models for two-dimensional and multidimensional contingency tables, including for square tables and tables with ordered categories; and regression models for two-category (binary) and multiple-category target variables, such as logistic and proportional odds models.

All methods are illustrated with analyses of real data examples, many from recent subject area journal articles. These analyses are highlighted in the text, and are more detailed than is typical, providing discussion of the context and background of the problem, model checking, and scientific implications. More than 200 exercises are provided, many also based on recent subject area literature. Data sets and computer code are available at a web site devoted to the text. Adopters of this book may request a solutions manual from: textbook@springer-ny.com.

Jeffrey S. Simonoff is Professor of Statistics at New York University. He is author of Smoothing Methods in Statistics and coauthor of A Casebook for a First Course in Statistics and Data Analysis, as well as numerous articles in scholarly journals. He is a Fellow of the American Statistical Association and the Institute of Mathematical Statistics, and an Elected Member of the International Statistical Institute.