Generalisierte lineare Modelle View Full Text


Ontology type: schema:Chapter     


Chapter Info

DATE

2007

AUTHORS

Ludwig Fahrmeir , Thomas Kneib , Stefan Lang

ABSTRACT

Lineare Modelle eignen sich besonders für Regressionsanalysen, bei denen die Zielvariable stetig ist und — möglicherweise nach einer geeigneten Transformation — zumindest approximativ durch eine Normalverteilung modelliert werden kann. Zusätzlich muss sich der Erwartungswert der Zielvariablen durch eine Linearkombination von — möglicherweise ebenfalls transformierten — Kovariablen darstellen lassen. In vielen Anwendungen ist die Zielvariable jedoch nicht stetig, sondern binär bzw. kategorial oder eine Zählvariable. Beispiele sind: More... »

PAGES

189-234

Book

TITLE

Regression

ISBN

978-3-540-33932-8

Identifiers

URI

http://scigraph.springernature.com/pub.10.1007/978-3-540-33933-5_4

DOI

http://dx.doi.org/10.1007/978-3-540-33933-5_4

DIMENSIONS

https://app.dimensions.ai/details/publication/pub.1047606809


Indexing Status Check whether this publication has been indexed by Scopus and Web Of Science using the SN Indexing Status Tool
Incoming Citations Browse incoming citations for this publication using opencitations.net

JSON-LD is the canonical representation for SciGraph data.

TIP: You can open this SciGraph record using an external JSON-LD service: JSON-LD Playground Google SDTT

[
  {
    "@context": "https://springernature.github.io/scigraph/jsonld/sgcontext.json", 
    "author": [
      {
        "familyName": "Fahrmeir", 
        "givenName": "Ludwig", 
        "id": "sg:person.0661512671.36", 
        "sameAs": [
          "https://app.dimensions.ai/discover/publication?and_facet_researcher=ur.0661512671.36"
        ], 
        "type": "Person"
      }, 
      {
        "familyName": "Kneib", 
        "givenName": "Thomas", 
        "id": "sg:person.01272020411.15", 
        "sameAs": [
          "https://app.dimensions.ai/discover/publication?and_facet_researcher=ur.01272020411.15"
        ], 
        "type": "Person"
      }, 
      {
        "familyName": "Lang", 
        "givenName": "Stefan", 
        "id": "sg:person.010223676761.81", 
        "sameAs": [
          "https://app.dimensions.ai/discover/publication?and_facet_researcher=ur.010223676761.81"
        ], 
        "type": "Person"
      }
    ], 
    "datePublished": "2007", 
    "datePublishedReg": "2007-01-01", 
    "description": "Lineare Modelle eignen sich besonders f\u00fcr Regressionsanalysen, bei denen die Zielvariable stetig ist und \u2014 m\u00f6glicherweise nach einer geeigneten Transformation \u2014 zumindest approximativ durch eine Normalverteilung modelliert werden kann. Zus\u00e4tzlich muss sich der Erwartungswert der Zielvariablen durch eine Linearkombination von \u2014 m\u00f6glicherweise ebenfalls transformierten \u2014 Kovariablen darstellen lassen. In vielen Anwendungen ist die Zielvariable jedoch nicht stetig, sondern bin\u00e4r bzw. kategorial oder eine Z\u00e4hlvariable. Beispiele sind:", 
    "genre": "chapter", 
    "id": "sg:pub.10.1007/978-3-540-33933-5_4", 
    "inLanguage": [
      "de"
    ], 
    "isAccessibleForFree": false, 
    "isPartOf": {
      "isbn": [
        "978-3-540-33932-8"
      ], 
      "name": "Regression", 
      "type": "Book"
    }, 
    "name": "Generalisierte lineare Modelle", 
    "pagination": "189-234", 
    "productId": [
      {
        "name": "doi", 
        "type": "PropertyValue", 
        "value": [
          "10.1007/978-3-540-33933-5_4"
        ]
      }, 
      {
        "name": "readcube_id", 
        "type": "PropertyValue", 
        "value": [
          "e2c97d54e2c79a109818edb377e8b1a43e521cb59b8741ce3bcdf85ca3fa55b1"
        ]
      }, 
      {
        "name": "dimensions_id", 
        "type": "PropertyValue", 
        "value": [
          "pub.1047606809"
        ]
      }
    ], 
    "publisher": {
      "location": "Berlin, Heidelberg", 
      "name": "Springer Berlin Heidelberg", 
      "type": "Organisation"
    }, 
    "sameAs": [
      "https://doi.org/10.1007/978-3-540-33933-5_4", 
      "https://app.dimensions.ai/details/publication/pub.1047606809"
    ], 
    "sdDataset": "chapters", 
    "sdDatePublished": "2019-04-15T14:14", 
    "sdLicense": "https://scigraph.springernature.com/explorer/license/", 
    "sdPublisher": {
      "name": "Springer Nature - SN SciGraph project", 
      "type": "Organization"
    }, 
    "sdSource": "s3://com-uberresearch-data-dimensions-target-20181106-alternative/cleanup/v134/2549eaecd7973599484d7c17b260dba0a4ecb94b/merge/v9/a6c9fde33151104705d4d7ff012ea9563521a3ce/jats-lookup/v90/0000000001_0000000264/records_8669_00000082.jsonl", 
    "type": "Chapter", 
    "url": "http://link.springer.com/10.1007/978-3-540-33933-5_4"
  }
]
 

Download the RDF metadata as:  json-ld nt turtle xml License info

HOW TO GET THIS DATA PROGRAMMATICALLY:

JSON-LD is a popular format for linked data which is fully compatible with JSON.

curl -H 'Accept: application/ld+json' 'https://scigraph.springernature.com/pub.10.1007/978-3-540-33933-5_4'

N-Triples is a line-based linked data format ideal for batch operations.

curl -H 'Accept: application/n-triples' 'https://scigraph.springernature.com/pub.10.1007/978-3-540-33933-5_4'

Turtle is a human-readable linked data format.

curl -H 'Accept: text/turtle' 'https://scigraph.springernature.com/pub.10.1007/978-3-540-33933-5_4'

RDF/XML is a standard XML format for linked data.

curl -H 'Accept: application/rdf+xml' 'https://scigraph.springernature.com/pub.10.1007/978-3-540-33933-5_4'


 

This table displays all metadata directly associated to this object as RDF triples.

58 TRIPLES      20 PREDICATES      24 URIs      19 LITERALS      7 BLANK NODES

Subject Predicate Object
1 sg:pub.10.1007/978-3-540-33933-5_4 schema:author N3a644a4e20df41afb6da19c31a9b0af4
2 schema:datePublished 2007
3 schema:datePublishedReg 2007-01-01
4 schema:description Lineare Modelle eignen sich besonders für Regressionsanalysen, bei denen die Zielvariable stetig ist und — möglicherweise nach einer geeigneten Transformation — zumindest approximativ durch eine Normalverteilung modelliert werden kann. Zusätzlich muss sich der Erwartungswert der Zielvariablen durch eine Linearkombination von — möglicherweise ebenfalls transformierten — Kovariablen darstellen lassen. In vielen Anwendungen ist die Zielvariable jedoch nicht stetig, sondern binär bzw. kategorial oder eine Zählvariable. Beispiele sind:
5 schema:genre chapter
6 schema:inLanguage de
7 schema:isAccessibleForFree false
8 schema:isPartOf Nc01157c106954ad6a0441f7f5f8b5e98
9 schema:name Generalisierte lineare Modelle
10 schema:pagination 189-234
11 schema:productId N0f38312c4b9248f29cc11bc60e1cdef1
12 N5c9dbf73ecc84d9da6fbda29e9b73070
13 N95a921d728c74d318652ee5b1dfbc79f
14 schema:publisher N238118b78dd341e5a83d922b0aa745b9
15 schema:sameAs https://app.dimensions.ai/details/publication/pub.1047606809
16 https://doi.org/10.1007/978-3-540-33933-5_4
17 schema:sdDatePublished 2019-04-15T14:14
18 schema:sdLicense https://scigraph.springernature.com/explorer/license/
19 schema:sdPublisher Ne2957a0979cb4509b1f828475fa15734
20 schema:url http://link.springer.com/10.1007/978-3-540-33933-5_4
21 sgo:license sg:explorer/license/
22 sgo:sdDataset chapters
23 rdf:type schema:Chapter
24 N0f38312c4b9248f29cc11bc60e1cdef1 schema:name readcube_id
25 schema:value e2c97d54e2c79a109818edb377e8b1a43e521cb59b8741ce3bcdf85ca3fa55b1
26 rdf:type schema:PropertyValue
27 N238118b78dd341e5a83d922b0aa745b9 schema:location Berlin, Heidelberg
28 schema:name Springer Berlin Heidelberg
29 rdf:type schema:Organisation
30 N3a644a4e20df41afb6da19c31a9b0af4 rdf:first sg:person.0661512671.36
31 rdf:rest Na05de75ad4ef4aefa10c604656603986
32 N5c9dbf73ecc84d9da6fbda29e9b73070 schema:name doi
33 schema:value 10.1007/978-3-540-33933-5_4
34 rdf:type schema:PropertyValue
35 N7aae6623992445b2b65804666f2b5bea rdf:first sg:person.010223676761.81
36 rdf:rest rdf:nil
37 N95a921d728c74d318652ee5b1dfbc79f schema:name dimensions_id
38 schema:value pub.1047606809
39 rdf:type schema:PropertyValue
40 Na05de75ad4ef4aefa10c604656603986 rdf:first sg:person.01272020411.15
41 rdf:rest N7aae6623992445b2b65804666f2b5bea
42 Nc01157c106954ad6a0441f7f5f8b5e98 schema:isbn 978-3-540-33932-8
43 schema:name Regression
44 rdf:type schema:Book
45 Ne2957a0979cb4509b1f828475fa15734 schema:name Springer Nature - SN SciGraph project
46 rdf:type schema:Organization
47 sg:person.010223676761.81 schema:familyName Lang
48 schema:givenName Stefan
49 schema:sameAs https://app.dimensions.ai/discover/publication?and_facet_researcher=ur.010223676761.81
50 rdf:type schema:Person
51 sg:person.01272020411.15 schema:familyName Kneib
52 schema:givenName Thomas
53 schema:sameAs https://app.dimensions.ai/discover/publication?and_facet_researcher=ur.01272020411.15
54 rdf:type schema:Person
55 sg:person.0661512671.36 schema:familyName Fahrmeir
56 schema:givenName Ludwig
57 schema:sameAs https://app.dimensions.ai/discover/publication?and_facet_researcher=ur.0661512671.36
58 rdf:type schema:Person
 




Preview window. Press ESC to close (or click here)


...