本书的第2版增加了应用于分类数据的多层模型。许多章节的内容经过了进一步的修订,并扩充了新的应用实例。第2版显著的特点是详细讨论了针对分层或多层模型的经典贝叶斯估计技术,拓展了离散时间生存分析模型和Cox回归模型的内容,以及针对背离模型假设的评估和调适方法。辅助网站的内容包含了使用各种统计软件包重复书中每一个例子的程序,实践证明是教师、学生和研究者学习的重要资源。
本书介绍了基本的方法和模型,它们构成了当代社会统计学的核心。这些模型跨度非同寻常,它们被广泛应用于社会学、人口学、心理测量学、计量经济学、政治学、生物统计学及其他领域。本书作为学生学习高级社会统计课程的教材和应用研究者的参考书是非常有用的。
第1章 绪论
1.1 为什么需要分类数据分析?
1.2 分类数据的两种哲学观点
1.3 一个发展史的注脚
1.4 本书特点
第2章 线性回归模型回顾
2.1 回归模型
2.2 再谈线性回归模型
2.3 分类变量和连续型因变量之间的区别
第3章 二分类数据模型
3.1 二分类数据介绍
3.2 变换的方法
3.3 Logit模型和Probit模型的论证
3.4 解释估计值
3.5 其他的概率模型
3.6 小结
第4章 列联表的对数线性模型
4.1 列联表
4.2 关联的测量
4.3 估计与拟合优度
4.4 二维表模型
4.5 次序变量模型
4.6 多维表的模型
第5章 二分类数据多层模型
5.1 导言
5.2 聚类二分类数据模型
5.3 追踪二分类数据模型
5.4 模型估计方法
5.5 项目响应模型
5.6 小结
第6章 关于事件发生的统计模型
6.1 导言
6.2 分析转换数据的框架
6.3 离散时间方法
6.4 连续时间模型
6.5 半参数比率模型
6.6 小结
第7章 次序因变量模型
7.1 导言
7.2 赋值方法
7.3 分组数据的Logit模型
……
第8章 名义因变量模型
附录A 回归的矩阵方法
附录B 最大似然估计
参考文献
主题索引
译后记