资源介绍
提到统计建模，很多人第一时间想到的是线性回归，但如果你的因变量不是连续的，而是计数型的、二元的，或者是泊松分布的，普通的线性回归就显得力不从心了。由Annette J. Dobson和Adrian G. Barnett合著的《An Introduction to Generalized Linear Models》第四版，正是为解决这类问题而写的一本经典教材。这本书出自Chapman & Hall/CRC著名的"统计科学丛书"系列，2018年由CRC Press出版了最新的第四版，两位作者在统计学领域都有着丰富的教学和研究经验，多布森教授是广义线性模型领域广受尊重的学者，而巴尼特则在方法应用层面有诸多建树，他们的合作让这本书既有理论深度又贴近实际应用。全书系统地介绍了广义线性模型的核心框架，从指数族分布的基本概念讲起，逐步深入到最大似然估计、假设检验、模型诊断，再到逻辑斯谛回归、泊松回归、对数线性模型等常见的GLM类型，以及过度离散、多项式响应和生存数据的处理方法。书中对每个主题的展开都非常注重"为什么这样做"而不仅仅是"怎么做"，作者会花相当的篇幅推导数学原理，同时辅以大量来自医学、生态学、社会科学等领域的真实案例，帮助读者建立对模型选择的直觉。值得注意的是，这一版在保留前三版清晰透彻风格的基础上，更新了一些经典数据集和例题的分析方法，并增加了关于贝叶斯方法和R语言实现的内容，使内容与当代统计实践更加接轨。阅读这本书并不需要太高深的数学背景，只需要具备基础的概率统计和线性代数知识，作者在前几章会温和地帮读者复习所需的工具，因此无论是统计学专业的研究生，还是需要在工作中处理分类数据或计数数据的科研工作者、分析师，都能从中获益。对于想要从"只会跑回归"进阶到真正理解统计建模底层逻辑的读者来说，这本书是一本值得反复翻阅的案头参考，它不会让你在公式推导中迷失方向，也不会因为回避数学而让概念变得模糊。如果你正在寻找一本既能带你入门广义线性模型、又能在日后遇到实际问题时提供可靠指引的书，Dobson和Barnett的这本导论会是一个非常稳妥的选择。