數據派THU - 【2022新書】用回歸來解決比較、估計、預測和因果推斷的實際問題－鑽石舞台

來源：專知

本文約1200字，建議閱讀5分鐘

本文內容關於使用回歸來解決比較、估計、預測和因果推理等實際問題。

大多數有關回歸的教科書側重於理論和最簡單的例子。然而，真正的統計問題是複雜而微妙的。這不是一本關於回歸理論的書。它是關於使用回歸來解決比較、估計、預測和因果推理等實際問題。與其他書籍不同，它側重於實際問題，如樣本量、缺失數據以及廣泛的目標和技術。它直接進入你可以立即使用的方法和計算機代碼。作者親身經歷的真實例子和故事，展示了回歸的作用及其局限性，並為理解實驗和觀察研究的假設和實施方法提供了實用建議。他們順利過渡到邏輯回歸和GLM。重點是R和Stan的計算，而不是推導，代碼可以在線獲得。圖形和演示有助於理解模型和模型擬合。

https://avehtari.github.io/ROS-Examples/

目錄內容：

介紹

數據和測量

數學和概率論中的一些基本方法

生成模型和統計推斷

模擬

回歸建模背景

單預測器線性回歸

擬合回歸模型

預測和貝葉斯推理

多預測因子線性回歸

假設、診斷和模型評估

轉換

邏輯回歸

使用邏輯回歸

其他廣義線性模型

設計和樣本大小的決定

後分層和缺失數據歸因

因果推理基礎和隨機實驗

使用對治療變量的回歸進行因果推斷

因果推理中更高級的主題

高級回歸和多級模型

現有的關於回歸的教科書通常混合了一些數學推導。我們寫這本書是因為我們看到了一種新的前進方式，專注於理解回歸模型，將它們應用於實際問題，並使用假數據模擬來理解模型是如何匹配的。讀完這本書並完成練習之後，您應該能夠在計算機上模擬回歸模型，並建立、批判性地評估它們，並將它們用於應用問題。我們的書的另一個特點，除了廣泛的例子和計算機模擬的重點，是它的廣泛的覆蓋，包括統計和測量的基礎知識，線性回歸，多元回歸，貝葉斯推理，邏輯回歸和廣義線性模型，從樣本到人口的外推，和因果推論。線性回歸是一個起點，但止步於此是沒有意義的:一旦你有了統計預測的基本概念，最好的理解方法是將它應用到許多不同的方式和不同的環境中。

在完成本書的第1部分後，您應該能夠使用數學、統計和計算工具，這些工具將允許您使用回歸模型。這些前幾章可以作為你在入門統計學課程中所學到的方法和思想的橋樑。

第1部分的目標包括顯示和探索數據，計算和繪製線性關係，理解基本的概率分布和統計推斷，以及模擬隨機過程來表示推斷和預測不確定性。

在完成第2部分之後，您應該能夠構建、適應、理解、使用和評估線性回歸模型的適應。本書這部分的章節在幾個應用和模擬數據示例的背景下開發相關的統計和計算工具。

完成第3部分後，您應該能夠類似地使用邏輯回歸和其他廣義線性模型。

第4部分涵蓋了從樣本到總體的數據收集和外推，第5部分我們涵蓋了因果推理，從使用受控實驗回歸的基本方法開始，然後考慮更複雜的方法來調整觀測數據的不平衡或利用自然實驗。

第6部分介紹了更高級的回歸模型，附錄包括一些快速提示和軟件的概述