Értékelés:
A könyv vegyes kritikákat kapott, egyes olvasók dicsérik a gyakorlati példákat és a LearnBayes csomag segítségével történő Bayes-statisztika elsajátításának hasznosságát, míg mások kritizálják az elméleti magyarázatok hiánya, a gyakorlatok megoldásának hiánya és a rossz programozási gyakorlatok miatt. Összességében úgy tűnik, hogy inkább a fogalmakkal már ismerkedőknek, mint a kezdőknek szól.
Előnyök:⬤ Jó konkrét példák és a Bayes-módszerek gyakorlati alkalmazásai.
⬤ Hasznos LearnBayes csomag az R és a Bayes-statisztika elsajátításához.
⬤ Néhány olvasó hasznosnak találta, ha más forrásokkal együtt használják.
⬤ Pozitív visszajelzések a csomagról és a könyv kézbesítéséről.
⬤ Hiányoznak a fejezetek feladatainak megoldásai, így kevésbé hatékony az önálló tanuláshoz.
⬤ A tartalom egy része rosszul van elmagyarázva, és hiányzik belőle az elméleti mélység.
⬤ A változónevek zavaros használata a programozási példákban.
⬤ Nem kezdőbarát; feltételezi a Bayes-számítások és az R előzetes ismereteit.
⬤ Néhány olvasó úgy találta, hogy a gyakorlati alkalmazáshoz szinte használhatatlan.
(9 olvasói vélemény alapján)
Bayesian Computation with R
A Bayes-féle következtetés fejlesztése és alkalmazása a statisztikában drámai fejlődésen ment keresztül. Berger (2000) a bayesiánus tevékenység növekedését a publikált kutatási cikkek, a könyvek száma és a bayesiánus cikkek alkalmazásainak kiterjedt száma az olyan alkalmazott tudományterületeken, mint a természettudományok és a mérnöki tudományok.
A Bayes-modellezés drámai növekedésének egyik oka a Bayes-féle utólagos elemzéshez szükséges integrálok számításához szükséges számítási algoritmusok rendelkezésre állása. A modern számítógépek sebességének köszönhetően ma már lehetséges a Bayes-paradigma alkalmazása olyan nagyon összetett modellek vizsgálatára is, amelyeket alternatív frequentista módszerekkel nem lehet vizsgálni. A Bayes-modellek vizsgálatához statisztikai számítási környezetre van szükség.
Ennek a környezetnek olyannak kell lennie, hogy: rövid szkripteket írhassunk a Bayes-modell definiálásához függvényeket használjunk vagy írjunk a poszterior eloszlás összegzésére függvényeket használjunk a poszterior eloszlásból történő szimulációhoz gráfokat konstruáljunk a poszterior következtetés szemléltetésére. Az R rendszer olyan környezet, amely megfelel ezeknek a követelményeknek.
Az R függvények széles skáláját kínálja az adatmanipulációhoz, számításokhoz és grafikus d-játékokhoz. Ezenkívül tartalmaz egy jól kidolgozott, egyszerű programozási nyelvet, amelyet a felhasználók új funkciókkal bővíthetnek.
A nyelv számos ilyen kiterjesztése csomagok formájában könnyen letölthető a Comp- hensive R Archive Network (CRAN) hálózatról.
