تحلیل داده: رویکرد مقایسه‌ی مدل‌ها در رگرسیون، آنوا و فراتر از آن ۲۰۱۷
Data Analysis 2017

تحلیل داده‌ها: رویکرد مقایسه‌ی مدل‌ها در رگرسیون، آنووا و فراتر از آن، یک بررسی جامع از تحلیل داده‌ها برای علوم اجتماعی و رفتاری است. این کتاب، تمامی مدل‌های آماری را که معمولاً در چنین تحلیل‌هایی به کار می‌روند، مانند رگرسیون چندگانه و تحلیل واریانس، پوشش می‌دهد، اما این کار را به شیوه‌ای یکپارچه انجام می‌دهد که متکی بر مقایسه‌ی مدل‌های داده‌ای است که تحت عنوان مدل خطی عمومی تخمین زده می‌شوند.

“تحلیل داده‌ها” همچنین توضیح می‌دهد که چگونه رویکرد مقایسه‌ی مدل‌ها و چارچوب یکنواخت را می‌توان در مدل‌هایی که شامل پیش‌بین‌های ضربی (یعنی اثرات متقابل و اثرات غیرخطی) هستند و همچنین در مشاهداتی که غیرمستقل هستند، به کار برد. در واقع، تحلیل مشاهدات غیرمستقل با جزئیات بررسی می‌شود، از جمله مدل‌های داده‌های غیرمستقل با پیش‌بین‌های پیوسته متغیر و همچنین تحلیل واریانس اندازه‌گیری‌های مکرر استاندارد. این رویکرد، یک مقدمه‌ی یکپارچه بر مدل‌های خطی چند سطحی یا سلسله مراتبی و رگرسیون لجستیک نیز ارائه می‌دهد. در نهایت، “تحلیل داده‌ها” راهنمایی‌هایی را برای برخورد با داده‌های پرت و سایر جنبه‌های مشکل‌ساز تحلیل داده‌ها ارائه می‌کند. این کتاب برای دوره‌های پیشرفته‌ی کارشناسی و تحصیلات تکمیلی در تحلیل داده‌ها در نظر گرفته شده است و یک رویکرد یکپارچه را ارائه می‌دهد که بسیار در دسترس و آموزش آن آسان است.

نکات برجسته‌ی ویرایش سوم شامل موارد زیر است:

* فصل جدیدی در مورد رگرسیون لجستیک؛
* بررسی گسترده‌تر مدل‌های مختلط برای داده‌ها با عوامل تصادفی چندگانه؛
* مثال‌های به‌روز شده؛
* یک وب‌سایت بهبودیافته با ارائه‌های پاورپوینت و سایر ابزارهایی که مفاهیم کتاب را نشان می‌دهند؛ تمرین‌هایی برای هر فصل که یافته‌های تحقیقاتی را از ادبیات برجسته می‌کند؛ مجموعه‌های داده، کد R و خروجی SAS برای تمام تحلیل‌ها؛ مثال‌ها و مجموعه‌های مسئله‌ی اضافی؛ و سوالات آزمون.

Data Analysis: A Model Comparison Approach to Regression, ANOVA, and Beyond is an integrated treatment of data analysis for the social and behavioral sciences. It covers all of the statistical models normally used in such analyses, such as multiple regression and analysis of variance, but it does so in an integrated manner that relies on the comparison of models of data estimated under the rubric of the general linear model.

Data Analysis also describes how the model comparison approach and uniform framework can be applied to models that include product predictors (i.e., interactions and nonlinear effects) and to observations that are nonindependent. Indeed, the analysis of nonindependent observations is treated in some detail, including models of nonindependent data with continuously varying predictors as well as standard repeated measures analysis of variance. This approach also provides an integrated introduction to multilevel or hierarchical linear models and logistic regression. Finally, Data Analysis provides guidance for the treatment of outliers and other problematic aspects of data analysis. It is intended for advanced undergraduate and graduate level courses in data analysis and offers an integrated approach that is very accessible and easy to teach.

Highlights of the third edition include:

• a new chapter on logistic regression;
• expanded treatment of mixed models for data with multiple random factors;
• updated examples;

• an enhanced website with PowerPoint presentations and other tools that demonstrate the concepts in the book; exercises for each chapter that highlight research findings from the literature; data sets, R code, and SAS output for all analyses; additional examples and problem sets; and test questions.