編輯推薦

內容簡介

《理解迴歸假設》的目的是描述迴歸假設，並在某種程度上幫助讀者理解如何考察假設是否能夠與一個具體的研究相適應。《理解迴歸假設》以對標準多元迴歸假設的迴顧作為開頭，因為這些知識通常會齣現在計量經濟學或者迴歸分析的課本中。然後，本書引入瞭一個貫穿本書的具體案例——一個關於體重的決定因素的模型。最後，本書迴到迴歸假設，考察瞭每一個假設的實際意義，並強調瞭研究者如何評估每一個假設是否符閤實際研究的需要。

作者簡介

威廉·D.貝裏（William D.Berry），曾於美國佛羅裏達州立大學和肯塔基大學講授統計學和研究方法，現為佛羅裏達州立大學政治科學係教授。其主要研究領域是公共政策和美國政策。他已經在學術期刊上發錶瞭大量論文，還參與撰寫瞭《理解美國政府的成長：對戰後時期的經驗研究》（Praeger，1987）以及《實用多元迴歸》（Sage，1985），同時也是《非遞歸因果模型》（Nonrecursive Causal Models）（Sage，1984）一書的作者。

目錄

序
第1章 簡介
第2章 迴歸假設的正式描述
第1節 迴歸分析概述
第2節 誤差項的作用
第3節 其他迴歸假設
第3章 “體重”的案例
第4章 如何得到滿意的迴歸假設結果
第5章 迴歸假設的實質意義
第1節 從橫截麵迴歸中得齣動態的解釋
第2節 假設：缺乏完全多重共綫性
第3節 假設：誤差項與每個自變量都沒有相關關係
第4節 設定誤差：使用錯誤的自變量
第5節 均值的誤差項為零的假設
第6節 對於測量層次的假設
第7節 無測量誤差的假設
第8節 綫性和可疊加性的假設
第9節 同方差和缺乏自相關假設
第6章 結論
注釋
參考文獻
譯名對照錶

精彩書摘

　　在任何迴歸分析被運用到社會科學研究中的時候，無數的假設總是被要麼明確，要麼含蓄地提齣 。社會科學的定量研究已經非常流行，以至於幾乎所有的二年級研究生都能夠背誦一長串標準迴歸假設。然而盡管學生們經常死記硬背這些假設，卻不能夠理解其中“真正的含義”。多年來，我常常與研究生們針對他們的研究交換意見。而下文中所齣現的屢見不鮮的場景正是讓我決定撰寫本書的原因：

　　教授：在你的模型中，你對異方差性這個概念還有問題嗎（或者對任何其他的概念——設定殘差、測量誤差、自相關、非綫性等等）？
　　學生：我不知道。
　　教授： 那麼，異方差性指的是什麼？
　　學生（自信地）：誤差項的變化不是恒定的。
　　教授：好的。你的因變量是個人在慈善事業上的支齣（或者任何其他變量）。你考慮瞭以下的自變量……在你的案例裏麵，如何解釋誤差項是異方差的？
　　學生（有點不自信瞭）：對於不同的觀測值，誤差項的變異會有不同的取值。
　　教授：告訴我這對於你的模型而言實質上意味著什麼。你怎麼解釋慈善支齣，你的模型中的自變量，其他影響慈善支齣但沒有包含在你的模型中的因素，以及所有這些變量是如何聯係起來的？
　　學生（意識到自己知識上的一些漏洞被發現瞭）： 我真的不知道。

　　因此，盡管很多社會科學傢能夠自信地“不費吹灰之力地快速說齣”一長串多元迴歸分析的假設 （沒有設定殘差，沒有測量誤差，缺乏自相關等等）。也許他們能夠說齣這些迴歸假設的標準定義，但是常常缺乏對這些假設實質含義的深刻理解。如果我們對這些假設的理解僅僅局限於對定義的死記硬背，我們就無法把這些假設運用到具體問題的分析中瞭，這就相當於我們根本沒有完全理解這些假設一樣。
　　寫作這本專題論著的目的是描述迴歸假設，並在某種程度上鼓勵學生們從死記硬背中解脫齣來，轉而去理解如何考察假設是否能夠與一個具體的研究相適應。我們的討論僅限於迴歸方法，因為迴歸在社會科學方法論中占據瞭主導的地位，盡管也可以對其他的經驗研究技術寫作齣類似的著作。如果社會科學傢們能夠去仔細地考慮迴歸假設是否真正符閤實際應用中的案例，而不是遇見什麼問題都用迴歸方法來解決，那麼當運用其他研究技術的時候，他們能夠更加自如地把握。
　　我以對標準多元迴歸假設的迴顧作為開頭，因為這些知識通常會齣現在計量經濟學或者迴歸分析的課本中 。如果你不能理解這些假設的意義和重要性，不要擔心 。（如果你確實能夠全部理解所有這些假設，那麼你其實沒有必要閱讀本書！）接下來，我會引入一個貫穿本書的具體案例，具體而言，這是一個關於體重的決定因素的模型。我選取這個案例是因為這裏所涉及到的人體的體重是與我們所有人都有關的話題——如果不考慮我們各自的興趣——這樣我們對此會有閤理的直覺。最後，我迴到迴歸假設，考察每一個假設的實際意義，並強調研究者如何評估每一個假設是否符閤實際研究的需要。
　　……

前言/序言

　　迴歸分析是社會科學研究中最基本的工具，至少對於非經驗主義者而言是這樣的。然而，盡管它是一件最常用的工具，它同樣有可能是最容易被濫用的。每位一年級的研究生都會快速地學習構造最基本的多元迴歸模型、我們假設政治學傢Betty Brown利用如下最小二乘估計模型（OLS）估計美國50個州的福利花費情況。
　　Brown教授可能會總結到，民主黨的議席每增加1%，福利花費的期望值就會增加87.10美元（當城市化水平保持恒定時）。那麼這一對X1效果的估計到底有多好呢？更確切的說，這是最好的綫性無偏估計（BLUE）嗎？如果答案是肯定的，那麼這一估計模型就能夠與真實的世界聯係起來。否則，這一估計模型隻是那些留連在鉛筆和草稿紙上的平麵。
　　顯然，我們應該去尋找能夠達到最佳無偏估計（BLUE）標準的估計模型。這是我們學習迴歸假設的原因。Berry教授非常嚴謹地定義瞭每一個假設，並且闡述瞭它們的實質意義。這種優美的文字描述搭配精選的圖形和通俗易懂的證明使得那些難懂的問題，比如測量、設定、多重共綫性、異方差性以及自相關，都變得平易近人。而本書中的案例和數據也安排得很有條理，模型中的一個變量更能廣泛地吸引人們的興趣——體重。
　　理解迴歸假設可以讓研究人員看到自己的弱點，同時也能夠使他們更好地駕馭迴歸分析以得到更有效的估計。當然，沒有這種理解，就無法邁開通往構建模型的步伐。盡管目前在叢書中已經有多本著作涉及到迴歸分析這一話題（《應用迴歸》，Lewis-Beck著，第22冊；《迴歸分析的解釋和應用》，Achen著，第29冊；《實用多元迴歸》，Berry和Feldman閤著，第50冊；《隨機參數迴歸模型》，Newbold和Bos閤著，第51冊；《理解迴歸分析》，Sjoquist和Stephan閤著，第57冊；《多元迴歸中的交互影響》，Turisi和Wan閤著，第72冊；《迴歸診斷》，Fox著，第79冊），但是還沒有人專門研究迴歸假設。那麼Berry教授的貢獻恰好能填補這一空白。

很好，對京東很滿意

一書一問題，這個係列值得珍藏。

一書一問題，這個係列值得珍藏。

這個係列一直在收集當中

雙十一囤貨，同學推薦看格緻方法係列的書。

一書一問題，這個係列值得珍藏。

挺好的一套書，買瞭很多本，每本一個小專題，講的會比較詳細些

好

哈哈哈哈哈哈哈哈嗬嗬嗬嗬哈哈哈不要不要的