Sobre el Libro
Análisis de datos mediante regresión y modelos jerárquicos / multinivel (Data Analysis Using Regression and Multilevel/Hierarchical Models) es un libro de 648 páginas escrito por Andrew Gelman y Jennifer Hill. Fue publicado por la editorial Cambridge University Press en el año 2006 en su primera edición.
Descripción del Libro
Análisis de datos mediante regresión y modelos jerárquicos / multinivel es un manual completo para el investigador aplicado que desea realizar análisis de datos utilizando modelos de regresión lineal y no lineal y multinivel. El libro presenta una amplia variedad de modelos y, al mismo tiempo, instruye al lector sobre cómo ajustar estos modelos utilizando los paquetes de software disponibles. El libro ilustra los conceptos trabajando a través de decenas de ejemplos de datos reales que han surgido de la propia investigación aplicada de los autores, con códigos de programación proporcionados para cada uno. Los temas cubiertos incluyen la inferencia causal, incluida la regresión, la posestratificación, el emparejamiento, la discontinuidad de la regresión y las variables instrumentales, así como la regresión logística multinivel y la imputación de datos faltantes. En todas partes se proporcionan consejos prácticos sobre la construcción, el montaje y la comprensión. Página de recursos del autor: http://www.stat.columbia.edu/~gelman/arm/
Reseñas del Libro
“Análisis de datos mediante regresión y modelos jerárquicos / multinivel … un estilo cuidadoso pero matemáticamente accesible se ilustra generosamente con ejemplos y pantallas gráficas, lo que lo hace ideal para el uso en el aula o para el autoestudio. Parece destinado a adornar los estantes de una gran cantidad de estadísticos aplicados y científicos sociales en los años venideros “.
Brad Carlin, Universidad de Minnesota
“Gelman y Hill han escrito lo que puede ser el primer libro verdaderamente moderno sobre modelado. Con conocimientos prácticos y metodológicos sobre los enfoques bayesiano y tradicional, el análisis de datos mediante regresión y modelos jerárquicos / multinivel proporciona una guía útil en el proceso de construcción y evaluación modelos. Para el científico social y otros estadísticos aplicados interesados en la regresión lineal y logística, la inferencia causal y los modelos jerárquicos, debería resultar invaluable, ya sea como un texto en el aula o como una adición a la estantería de investigación “.
Richard De Veaux, Williams College
“El tema de la interesante y no técnica introducción de Gelman y Hill al modelado estadístico es ‘Sea flexible’. Utilizando una amplia gama de ejemplos escritos en R y WinBugs, los autores ilustran las muchas formas en que los lectores pueden desarrollar más flexibilidad en sus modelos predictivos y causales. Este libro de texto práctico seguramente se convertirá en una opción popular en los cursos de regresión aplicada “.
Donald Green, Universidad de Yale
“En pocas palabras, el análisis de datos mediante regresión y modelos jerárquicos / multinivel es el mejor lugar para aprender a realizar una investigación empírica seria. Gelman y Hill han escrito un libro muy necesario que es sofisticado sobre diseño de investigación sin ser técnico. Análisis de datos mediante regresión y ¡Modelos jerárquicos / multinivel está destinado a ser un clásico! “
Alex Tabarrok, Universidad George Mason
“una exposición detallada y cuidadosamente escrita del desafío del modelado, utilizando numerosos ejemplos convincentes y siempre prestando especial atención a los aspectos prácticos del modelado. Lo recomiendo muy calurosamente”.
Revista de estadísticas aplicadas
“El libro de Gelman y Hill es un excelente texto intermedio que sería muy útil para los investigadores interesados en el modelado multinivel … Este libro ofrece una gran cantidad de información para cualquier persona interesada en el modelado multinivel y parece destinado a ser un clásico”.
Brandon K. Vaughn, Revista de medición educativa
“Con su nuevo libro, Data Analysis Using Regression and Multinivel / Hierarchical Models, los doctores Gelman y Hill han elevado el listón de lo que un libro sobre modelos estadísticos aplicados debería intentar lograr. El libro tiene un alcance extraordinariamente amplio y un enfoque moderno y filosofía, y ambicioso en sus objetivos … Estoy tremendamente impresionado con este libro y lo recomiendo encarecidamente.El análisis de datos mediante regresión y modelos multinivel / jerárquico merece ser leído ampliamente por estadísticos aplicados e investigadores en ejercicio, especialmente en las ciencias sociales. Los instructores que estén considerando libros de texto para cursos sobre la práctica del modelado estadístico deben mover este libro al principio de su lista “.
Daniel B. Hall, Revista de la Asociación Estadounidense de Estadística
“Análisis de datos mediante regresión y modelos jerárquicos / multinivel es el libro que desearía tener en la escuela de posgrado”.
Timothy Hellwig, el metodólogo político
Sobre los autores
Andrew Gelman es profesor de estadística y profesor de ciencia política en la Universidad de Columbia. Ha publicado más de 150 artículos en teoría estadística, métodos y computación, y en áreas de aplicación que incluyen análisis de decisiones, muestreo de encuestas, ciencias políticas, salud pública y políticas. Sus otros libros son Bayesian Data Analysis (1995, segunda edición 2003) y Teaching Statistics: A Bag of Tricks (2002).
Jennifer Hill es profesora adjunta de Asuntos Públicos en el Departamento de Asuntos Públicos e Internacionales de la Universidad de Columbia. Es coautora de artículos que han aparecido en Journal of the American Statistical Association, American Political Science Review, American Journal of Public Health, Developmental Psychology, Economic Journal y Journal of Policy Analysis and Management, entre otros.
Tabla de Contenido
- Parte 1A: Regresión de un solo nivel.
- Parte 1B: Trabajar con inferencias de regresión.
- Parte 2A: Regresión multinivel.
- Parte 2B: Montaje de modelos multinivel.
- Parte 3: Desde la recopilación de datos hasta la comprensión del modelo y la verificación del modelo.
A continuación se muestra un extracto del libro:
Prefacio
Objetivo de este libro
Este libro se originó como notas de clase para un curso de regresión y modelado multinivel, ofrecido por el departamento de estadística de la Universidad de Columbia y al que asistieron estudiantes graduados e investigadores postdoctorales en ciencias sociales (ciencias políticas, economía, psicología, educación, negocios, trabajo social y salud pública) y estadísticas. El prerrequisito son estadísticas hasta e incluyendo una introducción a la regresión múltiple.
No se asumen las matemáticas avanzadas; es importante comprender el modelo lineal en regresión, pero no es necesario seguir el álgebra matricial en la derivación de cálculos de mínimos cuadrados. Es útil estar familiarizado con exponentes y logaritmos, especialmente cuando se trabaja con modelos lineales generalizados.
Después de completar la Parte 1 de este libro, debería poder ajustar los modelos de regresión lineal lineal y generalizada clásicos, y hacer más con estos modelos que simplemente mirar sus coeficientes y su significación estadística. Los objetivos aplicados incluyen inferencia causal, predicción y comparación. y descripción de los datos. Después de completar la Parte 2, debería poder ajustar modelos de regresión para datos multinivel. La parte 3 lo lleva desde la recopilación de datos, pasando por la comprensión del modelo (mirar una tabla de coeficientes estimados no suele ser suficiente), hasta la verificación del modelo y los datos faltantes. Los apéndices incluyen algunos materiales de referencia sobre consejos clave, gráficos estadísticos y software para el ajuste de modelos.
Qué debería poder hacer después de leer este libro y trabajar con los ejemplos
Este texto está estructurado a través de modelos y ejemplos, con la intención de que después de cada capítulo tenga ciertas habilidades para ajustar, comprender y mostrar modelos:
Parte 1A: Ajustar, comprender y graficar regresiones clásicas y modeloslineales generalizados.
- Capítulo 3: Ajustar regresiones lineales y ser capaz de interpretar y visualizar coeficientes estimados.
- Capítulo 4: Construir modelos de regresión lineal transformando y combinando variables.
- Capítulo 5: Ajustar, comprender y mostrar modelos de regresión logística para datos binarios.
- Capítulo 6: Ajuste. comprender. y mostrar modelos lineales generalizados. incluida la regresión de Poisson con sobredispersión y modelos logit y probit ordenados.
Parte 1B: Utilice la regresión para aprender acerca de las cantidades de interés sustantivo (no solo los coeficientes de regresión).
- Capítulo 7: Simular modelos de probabilidad e incertidumbre sobre inferencias y predicciones.
- Capítulo 8: Verifique los ajustes del modelo usando simulación de datos fako y simulación predictiva.
- Capítulo 9: Comprender los supuestos que subyacen a la inferencia causal. Establezca regresiones para la inferencia causal y comprenda los desafíos que surgen.
- Capítulo 10: Comprender los supuestos que subyacen a la coincidencia de puntajes de propensión, variables instrumentales y otras técnicas para realizar inferencias causales cuando la regresión simple no es suficiente. Sea capaz de utilizarlos cuando sea apropiado.
Parte 2A: Comprender y graficar modelos multinivel.
- Capítulo 11: Comprender estructuras y modelos de datos multinivel como generalizaciones de la regresión clásica.
- Capítulo 12: Comprender y graficar regresiones simples de intersección variable e interpretarlas como estimaciones de agrupación parcial.
- Capítulo 13: Comprender y graficar modelos lineales multinivel con intersecciones y pendientes variables, estructuras no anidadas y otras complicaciones.
- Capítulo 14: Comprender y graficar modelos logísticos multinivel.
- Capítulo 15: Comprender y graficar Poisson multinivel sobredispersado, logit y probit ordenados y otros modelos lineales generalizados.
Parte 2B: Ajuste modelos multinivel usando los paquetes de software R y Bugs.
- Capítulo 16: Ajustar regresiones de intersección variable y comprender los conceptos básicos de Bugs. Verifique su programación usando simulación de datos falsos.
- Capítulo 17: Use Bugs para adaptarse a varios modelos de la Parte 2A.
- Capítulo 18: Entender la inferencia bayesiana como una generalización de mínimos cuadrados y máxima verosimilitud. Utilice el muestreador Gibbs para adaptarse a modelos multinivel,
- Capítulo 19: Utilice parametrizaciones redundantes para acelerar la convergencia del muestreador Gibbs.
Parte 3:
- Capítulo 20: Realizar cálculos de tamaño de muestra y potencia para modelos clásicos y jerárquicos: fórmulas de error estándar para cálculos básicos y simulación de datos falsos para problemas más difíciles.
- Capítulo 21: Calcular y comprender contrastes, varianza explicada, coeficientes de agrupación parcial y otros resúmenes de modelos multinivel ajustados.
- Capítulo 22: Utilice las ideas de análisis de varianza para resumir modelos multinivel ajustados; utilizar modelos multinivel para realizar análisis de varianza.
- Capítulo 23: Utilizar modelos multinivel en inferencia causal.
- Capítulo 24: Verificar el ajuste de modelos mediante simulación predictiva.
- Capítulo 25: Utilice la regresión para imputar datos faltantes en conjuntos de datos multivariados.
En resumen, debe poder ajustar, graficar y comprender modelos lineales y lineales generalizados clásicos y multinivel y utilizar estos ajustes de modelo para hacer predicciones e inferencias sobre cantidades de interés. incluidos los efectos causales del tratamiento.
Fin del extracto.
