新書推薦：
《
當怪獸家長遇見機車老師：親征教改30年，宋慧慈老師最POWER的「班級經營」現場紀實
》
售價：HK$
106.1
《
2030轉職地圖：成為未來10年不被淘汰的國際人才
》
售價：HK$
109.1
《
當你愛的人有成人過動症
》
售價：HK$
106.1
《
科學發明王25：省時省力的工具
》
售價：HK$
90.9
《
如何讓人喜歡我：前FBI探員教你如何影響別人、營造魅力、贏得好感、開啟「好人緣開關」！
》
售價：HK$
90.6
《
10分鐘完成每件工作：讓你優秀的不是努力，而是方法
》
售價：HK$
106.1
《
一百萬封情書：美國奶奶孫理蓮的深情人生
》
售價：HK$
121.3
《
最高的教養：從「全美最優秀女高中生」培育，談世界級人才的五大特質。
》
售價：HK$
115.2
|
| 內容簡介： |
◎介紹分析二分類依變數時，最常使用的統計分析模型──邏輯斯迴歸模型
◎完整且詳實的範例解析，幫助您觸類旁通，讓報告、論文大升級！
◎本書使用SPSSV25介面操作，編排方式深入淺出，學習過程更輕鬆。
◎邏輯斯模型是社會學、生物統計學、臨床心理學、數量心理學、計量經濟學和市場行銷等統計實證分析的常用方法
隨書附贈資料檔光碟
邏輯斯模型是離散選擇法模型之一，屬於多項變數分析，也是在分析二分類依變數時，最常使用的統計分析模型。邏輯斯迴歸的資料常出現在不同領域中，是社會學、生物統計學、臨床心理學、數量心理學、計量經濟學和市場行銷等統計實證分析的常用方法。
本書介紹的內容包含線性迴歸與二元依變數、邏輯斯迴歸的診斷、離散選擇模型、單層與多層次模型、Count依變數之迴歸與加權OLS迴歸。透過統計軟體SPSS探討，結合理論、方法與統計引導，從使用者角度整理編排，讓學習和研究過程更得心應手。
|
| 關於作者： |
張紹勳
學歷：國立政治大學資訊管理博士
現任：國立彰化師大專任教授
經歷：致理技術專任副教授
林秀娟
學歷：國立臺灣師範大學教育心理研究所碩士
現職：臺北市立成功高中專任教師
|
| 目錄：
|
Chapter01線性迴歸vs.二元Binary依變數邏輯斯迴歸1
1-1迴歸的二大類：連續依變數vs.離散依變數...............................................3
1-1-1 單變量：統計法分類......................................................................11
1-1-2 多變量：統計法分類......................................................................17
1-2簡單邏輯斯迴歸的概念...............................................................................27
1-2-1 簡單邏輯斯迴歸LogisticRegressionModel的原理..................32
1-2-2 Oddsratio之意義.............................................................................44
1-2-3 列聯表contingencytable、相對風險、勝算比oddsratio及卡方檢定crosstabs、logisticregression指令 50
1-2-4 卡方 logistic迴歸：同意人類可實驗貓大腦注入藥物嗎？logisticregression、crosstabs指令.58
1-2-5 簡單Logistic迴歸分析：年齡與罹患冠心病CHD關係logisticregression指令.......83
1-3邏輯斯迴歸的建模logisticregression指令............................................93
1-3-1 Logistic迴歸分析：三個預測因子有二個連續變數、一個次序變數大學申請入學之錄取條件？ 94
1-3-2 如何挑選「多元Logit迴歸之最佳模型」：早產兒之危險因子logisticregression指令.......104
1-3-3 練習題：邏輯斯迴歸分析母蟹crab有追求者嗎？..............110
1-4邏輯斯迴歸之建模法logisticregression、fp／fracpoly指令.............112
1-4-1 評比敵對模型，適配指標有七種：ROC ..........................112
1-4-2 邏輯斯迴歸之共變數係數調整法fractionalpolynomialregression:STaTa範例fp或fracpoly指令 118
1-5邏輯斯迴歸搭配ROC曲線來做篩檢工具之分類準確性......................121
1-5-1 TypeI誤差α及TypeII誤差β：ROC圖切斷點的由來.......122
1-6Logit+ROC曲線來評比：敵對logit模型，誰優？...............................126
1-6-1 ROC曲線、cut-off點...................................................................126
1-6-2 簡單Logit模型搭配ROC曲線來找最佳cut-off點.................132
1-6-3 練習題：多元Logit模型搭配ROC曲線來找最佳cut-off點...................................135
1-7小樣本：Exactlogisticregression是否染愛滋病毒之二種血清檢測值exlogistic指令148
Chapter02邏輯斯Logistic迴歸的診斷diagnostics153
2-1邏輯斯迴歸的假定assumption..............................................................153
2-1-1 邏輯斯迴歸的IIA假定................................................................155
2-2界定誤差specificationerror..............................................................157
2-2-1 多元複線性迴歸診斷之重點整理.........................................157
2-2-2 線性迴歸的診斷...........................................................................161
2-2-3 邏輯斯迴歸的界定適當嗎？優質辦校之因素logisticregression指令.....................164
2-3共線性collinearity診斷：優質辦校之因素logisticregression指令 176
2-4偵測influence的觀察值：優質辦校之因素logisticregression指令.........................190
2-5練習題：logisticregression：學業是否得獎的因素logisticregression指令......204
Chapter03離散選擇模型：多項機率迴歸NOMREG指令207
3-1離散選擇模型DiscreteChoiceModels,DCM.......................................208
3-1-1 離散選擇模型DCM概念.........................................................210
3-1-2 離散選擇模型DCM之數學式：以住宅選擇為例.................216
3-2多項機率迴歸分析multinomialprobitregressioncrosstabs、nomreg指令.............232
3-3-1 多項機率迴歸之概念...................................................................234
3-3-2 多項機率迴歸之原理...................................................................242
3-3-3 多項機率迴歸分析multinomialprobitregression學生選三類課程的因素crosstabs、nomreg指令......245
3-3-4 練習題：離散選擇模型DCM：三種保險的選擇..................260
3-4多項概率模型來進行離散選擇建模discretechoicemodelingusingmultinomialprobitmodelasmprobit指令 264
3-4-1 Alternative-specificmultinomialprobitregression：三種保險計畫的選擇asmprobit指令.....264
3-4-2 使用多項概率模型進行離散選擇建模:四種旅行方式的選擇asmprobit指令.......................266
3-4-3 練習題：多項邏輯斯迴歸：十二地區宗教信仰三選擇之因素mlogit指令...........................268
Chapter04二元依變數：機率迴歸probit指令271
4-1Logit模型、Cox迴歸、probit模型的概念比較....................................274
4-2Probit迴歸分析：申入學是否被錄取的因素plum指令....................282
4-3練習題：Binary依變數之Probit及Logit迴歸分析有無償勞動力之影響因素..........................297
4-5Bivariateprobit迴歸vs.二個似乎無相關依變數「private,vote」模型，誰優？biprobit指令.........300
Chapter05單層vs.多層次：OrderedLogit及其擴充模型ologit、oprobit、rologitmeoprobit、asmprobit、asroprobit、heckoprobit指令305
5-1OrderedLogit及OrderedProbit模型之概念...........................................321
5-2Ordered迴歸分析：影響SES的因素plum指令...............................324
5-3練習題：OrderedLogit迴歸分析：影響數學等級的因素plum指令....................................335
5-4練習題：Ordered迴歸分析影響親子親密關係的因素.....................337
5-5練習題：OrderedLogit迴歸Copenhagen的住房滿意度...................341
Chapter06Count依變數之迴歸：Zero-inflatedPoisson迴歸vs.negativebinomial迴歸345
6-1Count依變數之迴歸：Zero-inflatedPoisson迴歸vs.negativebinomial迴歸.........................346
6-1-1 Poisson分配..................................................................................346
6-1-2 負二項negativebinomial分配..................................................351
6-1-3 Zero-inflatedPoisson分配............................................................354
6-2計數型count依變數：Poisson迴歸：獲獎次數GenLin指令.......356
6-3零膨脹Poisson迴歸vs.負二項迴歸：博士生發表論文篇數...............371
6-4Count依變數：負二項negativebinomial迴歸：獲獎次數GenLin指令.........................376
6-5單層：orderedlogistic迴歸：申請入學意願plum指令....................391
6-5-1 orderedlogistic迴歸：申請入學意願plum指令....................391
6-5-2 練習題：orderedlogistic迴歸.....................................................407
6-6單層：Zero-inflatedorderedprobitregression練習：釣魚zip指令...410
6-7雙層：負二項混合模型fmm:nbreg指令：精神科患者隨訪次數....412
6-8雙層：Poisson混合模型分析fmm:poisson指令：醫生問診次數...414
Chapter07加權OLSweightedleastsquares迴歸regression、WLS指令417
7-1加權OLSweightedOLS迴歸：誤差變異數異質性的校正regression指令 ......................418
7-2加權OLS迴歸WLS指令.....................................................................435
|
|
購物車/收銀台(
0
) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
