Applied Regression Analysis

by Norman R. Draper, Harry Smith

Any disks or supplements are not included. No DJ. Pages are clean. Binding is tight.

Genres: Mathematics, Textbooks

736 pages, Hardcover

First published January 1, 1981

About the author

Dr. Norman R. Draper was professor emeritus and distinguished professor of the Department of Statistics at University of Wisconsin.

Reviews

[Richard]

Geek alert – I love this book!

This was the textbook for my favorite class taught by Professor Draper at the University of Wisconsin in the early 80’s. At the time, these forecasting techniques seemed like witchcraft.

I regularly applied many of these concepts to support financial and economic predictions throughout my professional career. I still use these tools today to evaluate potential investments.

The principles in this book are also the basis for modern machine learning (AI) algorithms.

What a difference one little book can make.

[Ostilio Portillo]

I read this book in search of an understanding of linear regression in general. I found a lot of information about the subject. The author goes very deep into several approaches to performing regressions. However, I must admit I found much more than I was expecting to find. Something that I really liked about this book is the plethora of examples provided across multiple chapters.
Since I teach statistics in my class, I found very useful insights about simple linear regression, multiple linear regression, step forward, and backward regression which I plan to use to teach in my class.

[Данило Судин]

В цій частині автори розглядають декілька важливих тем. По-перше, методи вибору найкращого рівняння регресії. Важлива тема, особливо для прихильників "простого відсіювання", яке, насправді, є методом remove (на основі t-критерію, який в цьому випадку є частковим F-критерієм).
По-друге, автор подають короткий огляд методів побудови нелінійних регресій. Звісно, станом на 1982 р. це була нова та незвідана ділянка. Тридцять років по тому напрацювань побільшало. Але з базовими проблемами в цій праці познайомитися можна.
По-третє, автори розглядають можливість використання методів регресійного аналізу до задач дисперсійного аналізу. Після роботи Статистические методы в педагогике и психологии це вже не видається такою новинкою, адже в обох випадках використовуємо МНК. Втім, вартою уваги є думка авторів, що в дисперсійному аналізі дослідник також будує модель (наприклад, лінійну, але можна і квадратичну).
Отже, попри свій вік, книжка варта уваги: як ґрунтовний вступ до регресійного аналізу, який не є теоретичним, але дуже практично зорієнтованим.

[Данило Судин]

Ґрунтовна праця про регресії, де не просто обговорюються основні принципи (у формі звичайних та матричних рівнянь) регресійного аналізу, але і розкриваються секрети інтерпретації та побудови регресійних моделей.

Взагалі, сенсу переказувати зміст праці немає, бо простіше її прочитати, але коротко означу основні пункти, які виявилися важливими для мене:
1) OLS та WLS: особливості їх застосування;
2) R^2 та "підводні камені" у його використанні;
3) перетворення змінних;
4) аналіз залишків;
5) колінеарність;
6) довірчі інтервали для коеф. регресії: чому їм не варто аж так довіряти.

В роботі бракує більш детального огляду способів виявлення порушень умов МНК (особливо щодо помилок). На жаль, автори пропонують лише візуальний аналіз графіків залишків, чого трохи замало, особливо в умовах кількох предикторів.

Але загалом робота є гарним і доволі простим, але водночас глибоким вступом до регресійного аналізу.

[Adrian]

buku pegangang kuliah pengantar analisis multivariat yang gw ambil semester ini

[Ale]

ok, very good!!! excellent!!

[Aan]

ok

[Kristina]

speechless

[Rebecca]

One statistics class down, two more to go!!

[Kristen]

yikes.... book 1 of statistics hell!