对于一个新的从业者，我喜欢格尔曼和希尔。

使用回归和多级/分层模型的数据分析

从表面上看，这本书是关于分层广义线性模型的，这是一个比 GLM 更高级的主题；不过，第一部分是 GLM 的出色从业者指南。

这本书从轻理论，重在严格的统计实践，充斥着案例研究和实用的 R 代码，都以愉快、友好的语气讲述。

我是 Agresti 的分类数据分析的忠实粉丝。

我读过 Agresti 的 Intro 书，但发现它缺少关于如何构建广义线性模型及其工作原理的关键解释。例如，如果您只想拟合逻辑回归，您可能不需要知道二项分布和 logit 链接如何工作。然而，当你读完这一章并开始想知道它但在书中找不到它时，这很烦人。

McCullagh 和 Nelder GLM 的书很难阅读。它包含您需要知道的所有内容，但缺少关键结果的推导。

幸运的是，Agresti 的分类数据分析提供了很好的平衡。

作为一个完整的初学者，我发现《分类数据分析》的著名作者Alan Agresti的《线性和广义线性模型基础》很有帮助。语言是流动的，尽管假设您接触过线性代数。

我真的很喜欢R - Zuur 等中带有扩展的混合效果模型。人_ 这是他们的旧书 Analyzing Ecological Data (2007) 的后续版本。他们在激励模型方面做得很好，还有大量的视觉示例来解释 GLM 的样子。他们还在理论、应用和讨论之间取得了很好的平衡。此外，他们的网站上有所有代码和数据集，因此您可以立即应用所学知识。