Demande de référence: modèles linéaires généralisés

Je recherche un livre d'introduction au niveau intermédiaire sur les modèles linéaires généralisés. Idéalement, en plus de la théorie derrière les modèles, je voudrais qu'il inclue des applications et des exemples en R ou dans un autre langage de programmation - j'entends que SAS est également un choix populaire. J'ai l'intention de l'étudier par moi-même et il serait donc utile qu'il fournisse les réponses à ses propres exercices.

Vous pouvez supposer que j'ai suivi les cours traditionnels d'un an en calcul et théorie des probabilités. Je connais également les bases de l'analyse de régression.

Gelman, Andrew et Jennifer Hill. Analyse des données à l'aide de modèles de régression et multiniveaux / hiérarchiques. Cambridge University Press, 2007, ne concerne pas les GLM en soi, mais couvre également cela et propose un bon mélange de théorie, de conseils pratiques, d'implémentation en R et d'exercices (et, lorsque vous effectuez une recherche sur le Web, vous pouvez trouver un version ebook de celui-ci!).

Pas un manuel, mais disponible gratuitement est ce cours de statistique diplômé du ministère du gouvernement de Harvard, qui couvre également les GLM les plus courants. Les vidéos de la section couvrent la mise en œuvre dans R. Le manuel est King, Gary. Méthodologie politique unificatrice: théorie de la vraisemblance de l'inférence statistique. University of Michigan Press, 1989.

Avertissement: une opinion personnelle hautement subjective suit ...

Pour la théorie et les applications, je ne peux pas trop recommander les modèles et extensions linéaires généralisés de Hardin et Hilbe. Il utilise SPSS Stata, (les deux) que je n'utilise jamais et que je ne connais rien, mais il couvre la théorie et a un ensemble très riche d'exemples. Si je devais choisir un livre pour commencer, ce serait celui-ci.

Un livre plus axé sur la théorie est les modèles généralisés, linéaires et mixtes de McCulloch, Searle et Neuhaus. Cela a moins d'exemples que Hardin et Hilbe mais va plus loin dans les effets aléatoires à la fois pour le modèle linéaire et le GLM. C'est mon livre GLM préféré, car il relie beaucoup de choses ensemble, mais si vous n'avez aucun intérêt pour les effets aléatoires, il peut être exagéré.

Ce que j'appellerais une référence canonique pour les GLM, ce sont les modèles linéaires généralisés de McCullagh et Nelder. C'est un titre un peu plus ancien mais je l'ai beaucoup apprécié.

Les modèles linéaires généralisés avec des applications en ingénierie et en sciences par Myers, Montgomery, Vining et Robinson passent un peu plus de temps sur les GLM binaires / poisson et ont également des exemples intéressants. La nouvelle édition a des exemples dans quelques langues, dont R.

J'ai repris l' Extension du modèle linéaire de Faraway avec R: Modèles linéaires généralisés, effets mixtes et régression non paramétrique il y a quelque temps, et cela m'a été très utile pour m'aider à faire des choses en R, bien que ce ne soit pas un bon livre "apprenez-vous GLM". Mais il peut être un bon compagnon pour certains des autres livres.

J'aime vraiment les stratégies de modélisation de régression de Frank Harrell.

Le texte de Dobson et Barnett

http://www.amazon.com/Introduction-Generalized-Edition-Chapman-Statistical/dp/1584889500

est je pense orienté exactement dans la direction que vous demandez. Il fait un bon travail d'équilibrer les détails techniques et le style convivial.

Celui-ci m'a beaucoup aidé:

Modèles à effets mixtes linéaires Springer utilisant R par A. Galecki et T. Burzykowski.

http://www.springer.com/statistics/statistical+theory+and+methods/book/978-1-4614-3899-1

L'introduction à l'apprentissage statistique avec des applications en R était un texte d'introduction très facile à suivre qui couvre les GLM et comme le titre le suggère est livré avec des ensembles de problèmes et un exemple de code dans R. J'ai beaucoup appris en parcourant ce livre.

Si vous vous sentez à l'aise avec l'algèbre linéaire, les éléments de l'apprentissage statistique couvrent ce même matériau plus en détail, ainsi que de nombreux autres sujets, mais il n'a pas le même genre d' Rexemples de style de didacticiel faciles à suivre dans les chapitres.

Les notes de cours du cours allemand de Rodriguez Princeton sur les GLM sont une introduction complète, regorgeant d'exemples des types les plus courants et expliquant les relations entre eux. Les aspects plus théoriques sont séparés dans deux annexes.

Le livre d' Alain Zuur "Un guide pour débutants en GLM et GLMM avec R" donne quelques bons exemples de GLM et GLMM en R.

Voici un bon article sur la régression linéaire généralisée. Le code se fait en R et il explique comment ils fonctionnent. CRAN a également un package glmnetqui fait cela pour vous mais peut être un peu difficile à utiliser au départ. Mais une fois que vous avez compris, c'est assez flexible. Voici une bonne écriture sur glmnet. J'espère que cela pourra aider.