 |
|
|
|
 Przystępny kurs statystyki z zastosowaniem STATISTICA PL
|
| Autor: | Andrzej Stanisz |
|
| Tytuł: | Przystępny kurs statystyki z zastosowaniem STATISTICA PL na przykładach z medycyny. Tom 2. Modele liniowe i nieliniowe | |
| Wydawca: | StatSoft Polska | |
| Wydanie: | Kraków, 2007 | |
| ISBN: | 978-83-88724-30-5 | |
| ISBN-13: | 978-83-88724-18-3 | |
| L. stron: | 868 | |
| Cena: | 99 zł Komplet (tom 1-3) w specjalnej cenie 199 zł | |
 Tom 1. Statystyki podstawowe |
 Tom 2. Modele liniowe i nieliniowe |
 Tom 3. Analizy wielowymiarowe |
Publikacja jest drugim wydaniem, gruntownie poprawionym i rozbudowanym, cieszącej się ogromną popularnością książki, poświęconym zaawansowanym metodom statystycznej analizy danych. Jest ona naturalną kontynuacją tomu 1.: "Przystępnego kursu statystyki. Statystyki podstawowe", lecz może być czytana niezależnie.
Autor książki stara się przybliżyć Czytelnikom bardziej zaawansowane metody analiz statystycznych związane z zagadnieniem modelowania współzależności pomiędzy zmiennymi. Jako pierwsze zostały omówione klasyczne techniki analizy regresji, analiza reszt oraz problematyka budowy modeli. Następnie Autor zajął się zagadnieniem regresji nieliniowej. Osobny rozdział został poświęcony regresji logistycznej. Najwięcej miejsca zajmują metody analizy wariancji. Po wprowadzeniu do zagadnienia planowania doświadczeń zostały kolejno omówione najczęściej stosowane układy doświadczalne oraz sposoby opracowania ich wyników. Pewnego rodzaju podsumowaniem omówionych metod jest rozdział poświęcony prezentacji tzw. ogólnego modelu liniowego. W ostatnim rozdziale Autor prezentuje najbardziej ogólne podejście do zagadnień modelowania współzależności pomiędzy zmiennymi, opierające się na uogólnionym modelu liniowym. Są to metody pozwalające na statystyczny opis powiązań między zmiennymi, w przypadku gdy rozkład zmiennej zależnej odbiega od normalnego (lub zmienna zależna ma charakter jakościowy).
Książka zawiera wiele ciekawych przykładów oraz dużą ilość praktycznych wskazówek. Przykładowe zagadnienia merytoryczne oraz przytaczane dane empiryczne czynią ją szczególnie atrakcyjną dla przedstawicieli nauk biomedycznych, ale książka jest adresowana nie tylko do nich. Korzystać z niej mogą wszyscy pragnący poznać metody analizy regresji i analizy wariancji oraz praktycznie wykorzystywać pakiet STATISTICA, który pojawia się w książce jako narzędzie do przeprowadzania obliczeń statystycznych oraz tworzenia wykresów ułatwiających interpretacje wyników przeprowadzanych analiz. Książka jest ilustrowana wieloma wykresami oraz zrzutami ekranowymi z programu STATISTICA. Należy jednak podkreślić, że książka nie jest dokumentacją do programu STATISTICA - zostały w niej przedstawione tylko wybrane opcje analiz statystycznych.
Dodatkowo Czytelnicy mogą skorzystać z danych wykorzystanych w prezentowanych w książce przykładach.
Zachęcamy do lektury niezwykle interesującego wstępu do książki, którego autorem jest prof. dr hab. inż. Ryszard Tadeusiewicz.
Ważne i potrzebne książki mają to do siebie, że odradzają się co jakiś czas w postaci następnych wydań, gdyż tego wymagają prawa rynku: egzemplarze poprzedniego wydania zostają wyczerpane, a następne rzesze czytelników (czy też raczej - w przypadku książek profesjonalnych - użytkowników) potrzebują i poszukują użytecznego dla nich źródła wiedzy. Pojawia się więc czysto ekonomiczny popyt na określoną książkę i oczywiście w następstwie tego pojawia się też kolejna edycja książki. Tak się dzieje z książkami, które są ważne i potrzebne. Natomiast bardzo dobre, ważne i potrzebne książki, odradzając się w opisany wyżej sposób, podlegają procesowi wzmacniania i doskonalenia, podobnemu do tego, jaki obserwujemy u odradzających się wiosną drzew. Niby mamy do czynienia z tym samym drzewem, ale bliższe przyjrzenie się jego budowie pozwala zauważyć nowe gałęzie, silniejszy pień, lepiej wrośnięte w glebę korzenie. Drzewo jest więc to samo, ale nie takie samo - tylko mocniejsze, lepiej spełniające swoją funkcję, obejmujące większy zasięg swoją koroną i dostarczające liczniejszych owoców.
Przywołana wyżej metafora towarzyszyła mi natrętnie (mimo swej banalności), jako bardzo trafna i adekwatna refleksja, podczas całego procesu studiowania i oceniania drugiego wydania drugiego tomu podręcznika Pana Andrzeja Stanisza zatytułowanego Przystępny kurs statystyki. Wcześniej miałem okazję opiniować do druku (oraz zaopatrywać w przedmowę) kolejne tomy składające się na pierwszą edycję tego podręcznika (wydanego początkowo w 2000 roku). Obecnie, gdy po upływie ponad połowy dekady pochylam się nad jego kolejnym wydaniem, to pierwsze określenia, które mi się nasuwają, brzmią: postęp i rozwój.
W tekście książki odzwierciedlony jest postęp praktyki stosowania statystyki i metod komputerowych w medycynie. O ile pod koniec XX wieku w opracowaniach medycznych dominowały wyłącznie najprostsze, rutynowe metody statystyczne, o tyle medycyna XXI wieku stała się bardziej wymagająca. Prowadzone analizy i wnioskowania cechuje większa precyzja, wyłapywane statystycznie zjawiska są znacznie subtelniejsze, a powszechne stosowanie komputerów zniosło jedną z barier, jaka dawniej odgradzała od większości użytkowników bardziej zaawansowane techniki statystyczne - mianowicie barierę złożoności obliczeniowej. Współczesny badacz nie musi się troszczyć o to, jak wiele obliczeń trzeba będzie wykonać, zanim otrzyma się taki lub inny wynik statystyczny, ponieważ jest oczywiste, że obliczenia te będzie wykonywał komputer.
Treść książki odzwierciedla także rozwój samych metod statystycznych. Wprawdzie opisywane w tym tomie techniki statystyczne zostały opracowane wiele lat temu, jednak dopiero rozwój ich zastosowań spowodował, że dzisiejszy czytelnik książki odczuwa potrzebę ich użycia, podczas gdy jeszcze kilka lat temu większość opisywanych tu zaawansowanych metod analizy statystycznej wywoływałaby wyłącznie wzruszenie ramion i komentarze w rodzaju: "a po co to komu?". Dzisiaj badacze (w szczególności medycy i biostatystycy, do których książka ta jest głównie adresowana) sami poszukują tych metod oraz poszukują podręczników, pomagających w ich zrozumieniu i poprawnym stosowaniu. Z całą pewnością przedkładana Państwu książka Andrzeja Stanisza spełnia te oczekiwania i zapewne będzie (podobnie jak tom pierwszy tej serii wydawniczej i podobnie jak pierwsze wydanie tego drugiego tomu) bardzo poszukiwanym i cenionym podręcznikiem.
Przyznam się, że ucieszyła mnie propozycja napisania tej przedmowy. Jak już wspomniałem, opatrywałem moim komentarzem poprzednie wydanie tego podręcznika, a także oba wydania pierwszego tomu tej serii wydawniczej, w związku z czym często zbierałem (niezasłużenie!) komplementy od zadowolonych czytelników pierwszego oraz poprzedniej wersji niniejszego, drugiego tomu. Żeby chociaż w części na te komplementy zasłużyć postanowiłem w niniejszym wstępie dać Czytelnikowi coś więcej, niż samą tylko garść moich impresji, dotyczących zawartości książki i jej użyteczności. Pozwoliłem sobie przygotować coś w rodzaju przewodnika, objaśniającego, komu, kiedy i do czego mogą się przydać poszczególne rozdziały tej książki. Przewodnik ten wydaje się o tyle użyteczny, że w odróżnieniu od pierwszego tomu podręcznika Przystępny kurs statystyki - niniejszy tom wprowadza Czytelnika w nieco bardziej zaawansowane metody statystycznej analizy danych. Metod tych opisano w podręczniku bardzo dużo, świadczy o tym bardzo duża objętość tomu, a jednocześnie szybka orientacja w tych metodach może być utrudniona, bo są to w większości techniki autentycznie bardzo zaawansowane. W dodatku powszechność używania poszczególnych opisanych tu technik jest wybitnie zróżnicowana - jedne z tych metod statystycznych są naprawdę potrzebne niemal każdemu, a inne - tylko nielicznym i to w wyjątkowych wypadkach. Wszystko to sprawia, że postanowiłem w tym wstępie nakreślić coś w rodzaju "mapy" przedstawianej Państwu książki, na której to mapie pozwoliłem sobie wytyczyć szlaki dla mniej lub bardziej zaawansowanych Czytelników. Mówię o mniejszym lub większym stopniu zaawansowania, bowiem w odróżnieniu od tomu pierwszego - tu nie ma w praktyce materiału dla nowicjuszy. Jeśli te moje uwagi pomogą potencjalnym Czytelnikom w podjęciu decyzji, czy zagłębić się w książkę i w jaki sposób poznawać zawarte w niej treści, to będę uważał, że dobrze spełniłem swoje zadanie.
Zacznę od stwierdzenia, że książka Andrzeja Stanisza wypełnia istotną lukę w polskim piśmiennictwie fachowym, w którym jest stosunkowo dużo opracowań na temat podstawowych metod statystycznych (obliczanie różnych estymatorów wartości centralnej i miar rozproszenia, określanie wielkości siły związku i sposobów przeprowadzania prostych testów parametrycznych lub nieparametrycznych itp.), natomiast brakuje podręczników ujmujących proces rozumowania statystycznego w kategoriach tworzenia modeli opisywanej rzeczywistości. Ten brak skłonności do widzenia statystyki jako narzędzia do modelowania zaznacza się szczególnie dotkliwie w tych dziedzinach zastosowań statystyki, które wiążą się tradycyjnie z ujęciami opisowymi i werbalnymi, niekorzystającymi z miar liczbowych jako ważnych składników opisu badanych zjawisk i procesów. Mam tu na myśli zastosowania statystyki w naukach społecznych i w medycynie. Przeciwstawiam te zastosowania sytuacji, jaka ma miejsce w przypadku częstego także stosowania statystyki w silnie zmatematyzowanych naukach ścisłych (fizyka, chemia) oraz technicznych, gdzie tradycja stosowania różnych modeli matematycznych jest bardzo silna i bardzo żywa. Sądzę, że można także przeciwstawić medyczne zastosowania statystyki (bo o nich jest mowa w książce Pana Stanisza) szeroko znanym zastosowaniom tejże statystyki w ekonomii, gdzie modele ekonometryczne są także na porządku dziennym.
Wychodząc z przedstawionych wyżej przesłanek (to znaczy ze stwierdzenia, że umiejętność tworzenia i wykorzystywania modeli statystycznych w medycynie jest bardzo potrzebna, a jednocześnie rzadka) - zdecydowanie namawiam Czytelnika na podjęcie wysiłku zapoznania się z zawartością książki oraz na aktywne stosowanie opisanych w niej metod statystycznego modelowania rzeczywistości. Aby jednak nie przerażać Czytelnika perspektywą konieczności "przebicia się" przez blisko tysiąc stronic trudnego tekstu - pozwolę sobie nakreślić w tekście książki szlak dla Czytelników mniej zaawansowanych. Na tym szlaku znajdą się niewątpliwie rozdziały od 1 do 10 (czyli od Analizy regresji prostej do Założenia analizy wariancji i ocena wielkości efektów eksperymentalnych). Ten szlak dla mniej zaawansowanych byłbym skłonny uzupełnić rozdziałem 22, stanowiącym rodzaj repetytorium z matematyki (Wektory i macierze) oraz rozdziałem 13, który właściwie dotyczy dosyć podobnych zagadnień jak rozdział 7. Taki zestaw rozdziałów (i związanych z nimi treści), przestudiowany po wcześniejszym zapoznaniu się z pierwszym tomem tego wydawnictwa, da ładne domknięcie wiedzy, którą każdy medyk parający się statystyką powinien posiadać.
Jakie zagadnienia napotkamy na tym "łatwiejszym" szlaku?
Zgodnie z zaprezentowaną koncepcją zwolennik łatwiejszego przejścia przez treść podręcznika uzyska bardzo dobre wprowadzenie do tych technik tworzenia modeli statystycznych, które są w miarę proste od strony pojęciowej, a jednocześnie na tyle skuteczne, że można przy ich pomocy opisywać zdecydowaną większość modelowanych systemów lub procesów. Idąc kolejno według zamieszczonych w książce rozdziałów, mamy więc w pierwszym rozdziale bardzo dobrze opisaną analizę regresji prostej, która jest narzędziem chętnie i często używanym, idealnym jako prosty model niezbyt skomplikowanej zależności empirycznej. Następny rozdział prowadzi do najbardziej lubianego narzędzia analizy wielowymiarowej, mianowicie do regresji wielorakiej. Metoda ta jest w książce bardzo dobrze opisana (zwłaszcza w kontekście wprowadzanych założeń), w wyniku czego czytelnik dowiaduje się nie tylko tego, JAK tę technikę statystyczną stosować, ale także tego, KIEDY ją stosować - co w praktyce bywa bardzo ważne.
Trzeci rozdział książki wprowadza bardzo ważne pojęcie analizy reszt. Jest to kwestia doskonale znana wszystkim profesjonalnym statystykom - i niestety bardzo często niedoceniana czy wręcz ignorowana przez osoby korzystające ze statystyki, w tym w szczególności ze statystyki medycznej. Kwestia analizy reszt, ewentualnego usuwania punktów "odstających" od reszty danych oraz szacowania błędów zbudowanego modelu jest jednak bardzo ważna. Nie wystarczy bowiem stworzyć model statystyczny (np. regresji wielorakiej), by opisać jakieś badane zjawisko medyczne albo biologiczne. Do obowiązków twórcy modelu należy także ocena jakości modelu i oszacowanie błędów, jakie mogą być popełnione w momencie, gdy się będzie prowadziło proces rozumowania oparty na rozważanym modelu. Właśnie do tego celu może służyć (między innymi) analiza reszt.
Przy budowie każdego modelu statystycznego bardzo ważne jest określenie, jakie dane wejściowe będą brane pod uwagę jako argumenty tworzonej funkcji regresyjnej. Dla ustalenia, ile zmiennych wejściowych należy brać pod uwagę przy budowie oczekiwanej zależności (oraz które to powinny być zmienne), można korzystać z dosyć wyrafinowanego narzędzia statystycznego, jakim jest regresja krokowa. Dobre stosowanie tej metody może prowadzić do stworzenia modeli, które nie tylko będą dobrze opisywały badane zjawisko, ale dodatkowo będą oszczędne w tym sensie, że pozwolą oprzeć model (i związany z nim proces rozumowania) na możliwie najmniejszej liczbie zmiennych niezależnych. Ponieważ z pozyskiwaniem wartości tych zmiennych niezależnych (sygnałów wejściowych dla modelu) związany jest zawsze pewien koszt - model dostarczający dobrych wyników przy wykorzystaniu mniejszej ich liczby jest w pewnym sensie modelem lepszym. Naszkicowane tu (skrótowo) zagadnienia są przedmiotem dokładnych rozważań w rozdziale czwartym opiniowanej książki.
Tradycyjne kursy statystyki z reguły ograniczały się do prezentacji modeli liniowych, jako że ich budowa oraz estymacja ich parametrów są szczególnie łatwe. Nowoczesna statystyka sięga jednak coraz śmielej do opisu procesów i zjawisk o większym stopniu komplikacji, dla których wprowadzenie modelu nieliniowego jest po prostu nieodzowne. Dlatego z dużym uznaniem odnotować trzeba obecność w opiniowanej książce rozdziału numer 5, wprowadzającego Czytelników - w sposób precyzyjny, a jednocześnie przystępny i zrozumiały - do tworzenia i eksploatowania zależności nieliniowych, a dokładniej - regresji nieliniowej. Problematyka modeli nieliniowych jest generalnie trudna, a pełne omówienie wszystkich nasuwających się tu zagadnień wymagałoby książki o objętości podobnej do całego omawianego tutaj tomu, dlatego z uznaniem należy odnotować fakt, że Panu Staniszowi udało się dokonać bardzo trafnego (moim zdaniem) wyboru tych aspektów modelowania nieliniowego, które wydają się szczególnie ważne i szczególnie użyteczne.
Właśnie takie kryterium szczególnej użyteczności w kontekście zastosowań medycznych zadecydowało o tym, że jedna konkretna postać regresji, szczególnie użyteczna właśnie w zastosowaniach do modeli procesów biologicznych, została wydzielona do szczegółowej dyskusji w rozdziale 6. Regresja logistyczna (bo o niej mowa) oparta jest na funkcji logistycznej, która okazuje się szczególnie dogodna przy opisywaniu różnych procesów i zależności statystycznych w medycynie, głównie ze względu na zjawisko "nasycania" charakterystyki nieliniowej dla wartości minimalnych i maksymalnych (w modelu są to najczęściej wartości 0 i 1 po odpowiednim wyskalowaniu zmienności modelowanych wartości). Wyodrębnienie tej konkretnej regresji w tej właśnie książce uważam za ze wszech miar uzasadnione i celowe, więc obszerny zakres i sporą objętość szóstego rozdziału uważam za w pełni uzasadnione.
W budowaniu modeli statystycznych dla potrzeb medycyny dominuje metoda polegająca na tym, że najpierw zbiera się różne obserwacje, a potem próbuje się ich wyniki opisać za pomocą takich lub innych modeli statystycznych. Efekty takiego postępowania bywają nienajlepsze, bo często okazuje się, że do stworzenia dobrego modelu brakuje niektórych danych, albo w przeciwnym przypadku - część pracowicie zebranych danych nie nadaje się do wykorzystania w obliczeniach. Z tego powodu cieszy mnie fakt, że w książce Pana Stanisza znalazł się rozdział 7. poświęcony elementom planowania doświadczeń. Sądzę, że staranne przeczytanie tego rozdziału przyda się wszystkim eksperymentatorom, którzy zbyt często marnują sporą część swojego wysiłku na skutek stosowania błędnej metodyki planowania doświadczeń (albo co gorsza prowadzenia doświadczeń bez jakiegokolwiek planu z góry założonego i potem starannie egzekwowanego). Tutaj proponuję porzucić naturalną kolejność rozdziałów i jako uzupełnienie rozdziału 7. przeczytać treści zawarte w rozdziale 13., w istocie dotyczące podobnych zagadnień, chociaż rozważanych w kontekście nieco innego zagadnienia badawczego (analizy wariancji).
Dwa kolejne rozdziały postulowanego "ułatwionego kursu" poświęcone są analizie wariancji. Jest rzeczą wiadomą, że dobrze stosowana analiza wariancji może dostarczyć bardzo wielu wiadomości o zgromadzonym zbiorze danych. W szczególności jednoczynnikowa analiza wariancji (opisana w rozdziale 8.) jest równoważna wykonaniu szeregu testów statystycznych typu testu Studenta, przy czym jednorazowo testujemy w tym przypadku wszystkie możliwe hipotezy. Z kolei wieloczynnikowa analiza wariancji, opisana w rozdziale 9. i potem dodatkowo badana w kontekście techniki MANOVA w drugim tomie, pozwala wychwycić współzależności wielu zmiennych, co jest ważne i potrzebne w przypadku bardziej skomplikowanych modeli.
Jak wspomniałem wyżej, podczas studiowania zaleconych wyżej treści można korzystać z zawartego w książce bardzo dobrego repetytorium z matematyki, stanowiącego rozdział 22.
Jeśli ktoś uważa się za bardziej wymagającego (i bardziej zaawansowanego) użytkownika - może wkroczyć na drugą ścieżkę, którą ja w moim przewodniku po prezentowanej książce oznaczyłem jako "tylko dla orłów". W skład tej wiedzy zaawansowanej wchodzi na początku dyskusja założeń, na których oparta jest analiza wariancji, przedstawiona w rozdziale 10. Jak wiemy z dyskusji przedstawionej wyżej, sposób praktycznego użycia analizy wariancji zawarty jest w rozdziałach 8. i 9., leżących na "łatwiejszej" drodze, które kończą tom pierwszy. Praktyczną analizę wariancji można oczywiście z powodzeniem prowadzić także bez dokładnego śledzenia założeń, dyskutowanych właśnie w rozdziale 10., jednak bardziej ambitni badacze mogą odnieść znaczącą korzyść, zapoznając się z treścią tego rozdziału.
Wyniki analizy wariancji mogą być brane tak, jak je ta analiza dostarcza (i są w tej postaci w pełni użyteczne!), ale mogą być też dokładniej przeanalizowane, a ich interpretacja może być dodatkowo pogłębiona, gdy odwołamy się do procedury porównań wielokrotnych oraz analizy kontrastów, które zostały bardzo dobrze opisane w rozdziale 11. opiniowanej książki, a także do testów post-hoc, które są przedmiotem rozdziału 12. Znowu podkreślam, że jest to wiedza ważna i użyteczna - chociaż adresowana raczej do bardziej wymagających odbiorców. Rozdział 14., który zdecydowanie zalicza się do części dla zaawansowanych, poświęcony jest hierarchicznej analizie wariancji. Jest to rozszerzenie problematyki wprowadzonej początkowo w rozdziale 9. (należącym do "łatwego szlaku") pod nazwą klasyfikacji krzyżowej - ale uogólnionej do problemu wielu zmiennych z brakującymi danymi. Wybranym użytkownikom książki może to się bardzo przydać - ale zdecydowanie nie wszystkim. Ważny i wysoce przydatny jest natomiast rozdział 15., który opisuje analizę kowariancji. Jak wiadomo, jest to bardzo dalekie rozszerzenie bardzo lubianego w medycynie pojęcia korelacji, można więc przewidywać, że zainteresowanie tym rozdziałem będzie duże.
O ile analiza kowariancji, dyskutowana w rozdziale 15, a także inne tematy podejmowane w rozdziałach przypisanych do "szlaku dla zaawansowanych" mają z reguły bardzo ogólny charakter i bardzo szerokie zastosowania - o tyle problem powtarzanych pomiarów, będący przedmiotem rozdziału 16., jest problemem bardzo szczegółowym. Nie zmienia to faktu, że akurat ten typ eksperymentu występuje w medycynie dosyć często, więc sprawa stosownego statystycznego opracowywania odpowiednich danych wydaje się godna tak obszernego omówienia, jak to zostało zrobione w opiniowanej książce Pana Stanisza (z licznymi, godnymi uwagi, przykładami). Ciekawe zagadnienie szczegółowe, związane z analizą wariancji, przedstawione zostało także w rozdziale 17. W rozdziale tym podjęto analizę komponentów wariancyjnych, pozwalających na ocenę ich istotności oraz na definiowanie modeli stałych, losowych albo mieszanych w klasycznej analizie wariancji.
Bardzo rozległy (i ważny dla praktyki) zakres zagadnień opisano w rozdziale 18. Zdefiniowana tam wielowymiarowa analiza wariancji - MANOVA jest jednym z ważniejszych narzędzi nowoczesnej statystyki (nie tylko medycznej zresztą). Przytoczony rozdział omawia większość ważnych aspektów tej analizy, więc bardzo zachęcam do jego przestudiowania.
Kolejny rozdział, dziewiętnasty, jest - jak przyznaje sam Autor w pierwszym jego akapicie - zdecydowanie nietypowy. W rozdziale tym, zgodnie z jego tytułem, porównuje się dwa różne podejścia do analizy danych statystycznych: podejście modelowe oparte na analizie wariancji i podejście regresyjne. Studium to, bogato ilustrowane przykładami, jest bardzo ciekawe i pouczające, chociaż nie dostarcza czytelnikowi bezpośrednio nowych metod statystycznej analizy danych. Nie zmienia to faktu, że rozdział ten osobiście oceniam jako jeden z ważniejszych pozytywnych elementów całej książki. Jest to przy tym rozdział w wysokim stopniu autorski, pokazujący poglądy i opinie Pana Stanisza, a nie tylko stan wiedzy zaczerpniętej z literatury w powiązaniu z technikami informatycznymi opartymi na wykorzystaniu programu STATISTICA.
Ostatnie dwa rozdziały książki poświęcone są ogólnemu spojrzeniu na budowane za pomocą statystyki modele liniowe. W rozdziale 20. dyskutowany jest ogólny model liniowy, a w rozdziale 21. pokazany jest uogólniony model liniowy. Na pierwszy rzut oka obie nazwy brzmią bardzo podobnie, jednak bliższa analiza zawartości wskazanych rozdziałów pozwala odkryć i zrozumieć różnice pomiędzy obydwoma typami modeli oraz umożliwia ustalenie, który z tych modeli będzie najodpowiedniejszy do opisu rozważanego procesu albo zjawiska.
Podsumowując to moje wprowadzenie, stwierdzam, że książkę Pana Stanisza mogę z powodzeniem rekomendować zarówno mniej, jak i bardziej doświadczonym użytkownikom statystyki, chociaż dla każdej z tych grup Czytelników starałem się wybrać i zarekomendować odmienny sposób korzystania z książki. Warto podkreślić, że studiowanie książki ułatwia fakt, że obok teoretycznych rozważań są w niej zawarte liczne dobrze dobrane i ciekawie zaprezentowane przykłady. Opierając się na tych przytoczonych w książce przykładach, Czytelnik może - drogą naśladownictwa - zacząć skutecznie rozwiązywać podejmowane przez siebie problemy statystyczne na długo przed tym momentem, kiedy jego wiedza osiągnie poziom umożliwiający mu świadome i w pełni samodzielne poruszanie się wśród tych zagadnień. Jest to wielka zaleta tej książki, która w związku z tym pełni podwójną rolę: zbioru dobrze dobranych i dobrze przedstawionych wiadomości teoretycznych oraz "przybornika" przykładowych gotowych rozwiązań z zakresu tworzenia i doskonalenia modeli statystycznych wraz z dokładnym praktycznym opisem sposobów ich rozwiązywania przy użyciu komputera.
prof. dr hab. inż. Ryszard Tadeusiewicz
PRZEDMOWA
ANALIZA REGRESJI PROSTEJ
REGRESJA WIELORAKA
ANALIZA RESZT
REGRESJA KROKOWA
REGRESJA NIELINIOWA
REGRESJA LOGISTYCZNA
ELEMENTY PLANOWANIA DOŚWIADCZEŃ
JEDNOCZYNNIKOWA ANALIZA WARIANCJI
WIELOCZYNNIKOWA ANALIZA WARIANCJI
ZAŁOŻENIA ANALIZY WARIANCJI I OCENA WIELKOŚCI EFEKTÓW EKSPERYMENTALNYCH
PROCEDURY PORÓWNAŃ WIELOKROTNYCH - ANALIZA KONTRASTÓW
PROCEDURY PORÓWNAŃ WIELOKROTNYCH -TESTY POST-HOC
WYBRANE UKŁADY DOŚWIADCZALNE
HIERARCHICZNA ANALIZA WARIANCJI
ANALIZA KOWARIANCJI
POWTARZANE POMIARY
KOMPONENTY WARIANCYJNE
WIELOWYMIAROWA ANALIZA WARIANCJI - MANOVA
ANALIZA WARIANCJI - PODEJŚCIE MODELOWE I REGRESYJNE
OGÓLNY MODEL LINIOWY
UOGÓLNIONY MODEL LINIOWY
WEKTORY I MACIERZE
BIBLIOGRAFIA
SKOROWIDZ
Spis treści
I. Wprowadzenie
II. Regresja liniowa
III. Klasyczny model regresji liniowej
IV. Estymacja i estymatory
V. Założenia modelu
VI. A jak to się liczy w programie STATISTICA
I. Wprowadzenie
II. Założenia modelu
III. A jak to się liczy w programie STATISTICA
I. Wprowadzenie
II. A jak się to liczy w programie STATISTICA
I. Wprowadzenie
II. Regresja hierarchiczna
III. Metoda regresji krokowej
I. Wprowadzenie
II. Modele linearyzowalne
III. Modele nieliniowe
IV. Regresja segmentowa
V. Analizy pokrewne i dopełniające w programie STATISTICA
I. Wprowadzenie
II. A jak to się liczy w programie STATISTICA
III. Ocena mocy predykcji
IV. Regresja probitowa
I. Wprowadzenie
II. Terminologia
III. Podstawowe plany doświadczalne
I. Wprowadzenie
II. Analiza wariancji - klasyfikacja jednoczynnikowa
III. A jak to się liczy w programie STATISTICA
IV. Podsumowanie
I. Wprowadzenie
II. A jak to się liczy w programie STATISTICA
I. Wprowadzenie
II. A jak to się sprawdza w programie STATISTICA
III. Oceny wielkości efektów eksperymentalnych
I. Wprowadzenie
II. Kontrasty
III. A jak to się liczy w programie STATISTICA
IV. Predefiniowane kontrasty
V. Analiza trendu
VI. Podsumowanie
I. Wprowadzenie
II. Porównania post-hoc
III. Porównanie metod
IV. A jak to się liczy w programie STATISTICA
V. Podsumowanie
I. Bloki losowe
II. Kwadraty łacińskie
III. A jak to się liczy w programie STATISTICA
I. Wprowadzenie
II. A jak to się liczy w programie STATISTICA
I. Wprowadzenie
II. Analiza założeń
III. A jak to się liczy w programie STATISTICA
I. Wprowadzenie
II. Założenia leżące u podstaw analizy wariancji z powtarzanymi pomiarami
III. A jak to się liczy w programie STATISTICA
I. Wprowadzenie
II. A jak to się liczy w programie STATISTICA
III. Uwagi końcowe
I. Wprowadzenie
II. A jak to się liczy w programie STATISTICA
III. Założenia MANOVA. Uwagi
I. Wprowadzenie
II. Modele analizy wariancji
III. A jak to się liczy w programie STATISTICA
IV. Wprowadzenie do układów niezrównoważonych
I. Wprowadzenie
II. A jak to się liczy w programie STATISTICA
III. Podsumowanie
I. Wprowadzenie
II. Specyfikacja modelu i ocena dopasowania
III. A jak to się liczy w programie STATISTICA
I. Wektory
II. Macierze
III. Definicja i własności wyznacznika macierzy
IV. Układy równań liniowych
V. Wartość własna i wektor własny
|
