1 Statistical Models. -- 2 Linear Regression Models . -- 3 Linear Regression Models: Diagnostics
and Model-Building. -- 4 Beyond Linear Regression: The Method of Maximum
Likelihood. -- 5 Generalized Linear Models: Structure. -- 6 Generalized Linear Models: Estimation. -- 7 Generalized Linear Models: Inference. -- 8 Generalized Linear Models: Diagnostics. -- 9 Models for Proportions: Binomial GLMs. -- 10 Models Counts: Poisson and Negative Binomial GLMs. -- 11 Positive Continuous Data: Gamma and Inverse Gaussian
GLMs. -- 12 Tweedie GLMs. -- 13 Extra Problemsfor.

This textbook presents an introduction to generalized linear models, complete with real-world data sets and practice problems, making it applicable for both beginning and advanced students of applied statistics. Generalized linear models (GLMs) are powerful tools in applied statistics that extend the ideas of multiple linear regression and analysis of variance to include response variables that are not normally distributed. As such, GLMs can model a wide variety of data types including counts, proportions, and binary outcomes or positive quantities.
The book is designed with the student in mind, making it suitable for self-study or a structured course. Beginning with an introduction to linear regression, the book also devotes time to advanced topics not typically included in introductory textbooks. It features chapter introductions and summaries, clear examples, and many practice problems, all carefully designed to balance theory and practice. The text also provides a working knowledge of applied statistical practice through the extensive use of R, which is integrated into the text.


Other features include:
Advanced topics such as power variance functions, saddlepoint approximations, likelihood score tests, modified profile likelihood, small-dispersion asymptotics, and randomized quantile residuals
Nearly 100 data sets in the companion R package GLMsData
Examples that are cross-referenced to the companion data set, allowing readers to load the data and follow the analysis in their own R session

Este libro de texto presenta una introducción a los modelos lineales generalizados, completo con conjuntos de datos del mundo real y problemas de práctica, lo que lo hace aplicable tanto para estudiantes principiantes como avanzados de estadística aplicada. Los modelos lineales generalizados (GLM) son herramientas poderosas en estadística aplicada que amplían las ideas de regresión lineal múltiple y análisis de varianza para incluir variables de respuesta que no se distribuyen normalmente. Como tal, los GLM pueden modelar una amplia variedad de tipos de datos, incluidos recuentos, proporciones y resultados binarios o cantidades positivas.


El libro está diseñado pensando en el estudiante, lo que lo hace adecuado para el autoestudio o para un curso estructurado. Comenzando con una introducción a la regresión lineal, el libro también dedica tiempo a temas avanzados que normalmente no se incluyen en los libros de texto introductorios. Incluye introducciones y resúmenes de capítulos, ejemplos claros y muchos problemas de práctica, todos cuidadosamente diseñados para equilibrar la teoría y la práctica. El texto también proporciona un conocimiento práctico de la práctica estadística aplicada mediante el uso extensivo de R, que está integrado en el texto.
Otras características incluyen:
Temas avanzados como funciones de varianza de potencia, aproximaciones de punto de silla, pruebas de puntuación de probabilidad, perfil de probabilidad modificado, asintóticas de pequeña dispersión y residuos de cuantiles aleatorios.
Casi 100 conjuntos de datos en el paquete R complementario GLMsData
Ejemplos con referencias cruzadas al conjunto de datos complementario, lo que permite a los lectores cargar los datos y seguir el análisis en su propia sesión de R.