Spatial Regression Models for the Social Sciences (Advanced Quantitative Techniques in the Social Sciences)

فضا و جغرافیا جنبه های مهم تحقیقات علوم اجتماعی در زمینه هایی مانند جرم شناسی، جامعه شناسی، علوم سیاسی و بهداشت عمومی هستند. بسیاری از دانشمندان علوم اجتماعی به خوشه بندی فضایی رفتارها و رویدادهای مختلف علاقه مند هستند. علاقه به روش‌های رگرسیون برای تجزیه و تحلیل داده‌های مکانی در سال‌های اخیر رشد سریعی داشته است، اما در مورد موضوعی که هدف آن دانشجویان تحصیلات تکمیلی و کلاس‌های پیشرفته کارشناسی در علوم اجتماعی است (بیشتر متون برای علوم طبیعی یا منطقه‌ای هستند) در دسترس نیست. علم، یا اقتصاد، و نیاز به درک خوبی از آمار پیشرفته و نظریه احتمال دارد). مدل‌های رگرسیون فضایی برای علوم اجتماعی این شکاف را پر می‌کند و بر روش‌هایی تمرکز می‌کند که معمولاً توسط دانشمندان علوم اجتماعی استفاده می‌شود. هر روش رگرسیون فضایی به همین ترتیب معرفی شده است. Guangqing Chi و Jun Zhu توضیح می‌دهند که هر روش چیست و چه زمانی و چگونه باید از آن استفاده کرد، آن را با موضوعات تحقیقاتی علوم اجتماعی مرتبط کرد. آنها سعی می کنند تا حد امکان از فرمول ها و نمادهای ریاضی اجتناب کنند. ثانیاً، در سراسر کتاب، آنها از همان مثال علوم اجتماعی برای نشان دادن کاربردهای هر روش و آنچه که نتایج می‌تواند به ما بگوید، استفاده می‌کنند. مدل‌های رگرسیون فضایی برای علوم اجتماعی پوشش جامعی از روش‌های رگرسیون فضایی را برای دانشمندان علوم اجتماعی فراهم می‌کند و روش‌ها را به شیوه‌ای آسان برای دنبال کردن معرفی می‌کند.

Space and geography are important aspects of social science research in fields such as criminology, sociology, political science, and public health. Many social scientists are interested in the spatial clustering of various behaviors and events. There has been a rapid development of interest in regression methods for analyzing spatial data over recent years, but little available on the topic that is aimed at graduate students and advanced undergraduate classes in the social sciences (most texts are for the natural sciences, or regional science, or economics, and require a good understanding of advanced statistics and probability theory). Spatial Regression Models for the Social Sciences fills the gap, and focuses on the methods that are commonly used by social scientists. Each spatial regression method is introduced in the same way. Guangqing Chi and Jun Zhu explain what each method is and when and how to apply it, by connecting it to social science research topics. They try to avoid mathematical formulas and symbols as much as possible. Secondly, throughout the book they use the same social science example to demonstrate applications of each method and what the results can tell us. Spatial Regression Models for the Social Sciences provides comprehensive coverage of spatial regression methods for social scientists and introduces the methods in an easy-to-follow manner.