Bayesi statisztikai módszerek

Olvasói vélemények

A könyv a Bayes-modellezés felsőfokú forrásaként szolgál, és a témák áttekinthetőségéről és átfogó lefedettségéről ismert. Technikai jellege és a megfelelő példák hiánya miatt azonban kezdők számára nem feltétlenül alkalmas.

⬤ Jól megírt és világosan elmagyarázza a Bayes-modellezés alapvető fogalmait
⬤ számos téma tömör lefedése
⬤ hasznos gyakorlatok, amelyek megerősítik a fogalmakat
⬤ értékes modell- és kódpéldákat nyújt a haladó forgatókönyvekhez.

⬤ Kezdők számára nem alkalmas a túlzottan technikai írásmód és a megfelelő példák hiánya miatt
⬤ a Kindle verzióban kompatibilitási problémák vannak, például összeomlás és lefagyás
⬤ előzetes R-tudást igényel, ami nem biztos, hogy minden olvasó számára előfeltétel.

(6 olvasói vélemény alapján)

Eredeti címe:

Bayesian Statistical Methods

Könyv tartalma:

Bayesian Statistical Methods az adattudósok számára biztosítja a Bayes-elemzés elvégzéséhez szükséges alapvető és számítási eszközöket. Ez a könyv a gyakorlatban rutinszerűen alkalmazott Bayes-módszerekre összpontosít, beleértve a többszörös lineáris regressziót, a kevert hatású modelleket és az általánosított lineáris modelleket (GLM). A szerzők számos példát tartalmaznak teljes R-kóddal és az analóg frequentista eljárásokkal való összehasonlítással.

A bayesi következtetési módszerek alapfogalmai mellett a könyv számos általános témát is tárgyal:

⬤ Tanácsok az előzetes eloszlások kiválasztásához.

⬤ Komputációs módszerek, beleértve a Markov-lánc Monte Carlo (MCMC) módszereket.

⬤ Modell-összehasonlítás és az illeszkedés jóságának mérései, beleértve a priorokra való érzékenységet.

⬤ A Bayes-módszerek gyakorisági tulajdonságai.

A Bayes-megközelítés rugalmasságát a haladó témaköröket lefedő esettanulmányok szemléltetik:

⬤ Szemiparametrikus regresszió.

⬤ A hiányzó adatok kezelése prediktív eloszlások segítségével.

⬤ Nagydimenziós regressziós modellek előfeltételei.

⬤ Számítási technikák nagy adathalmazokhoz.

⬤ Térbeli adatok elemzése.

A haladó témák kellő fogalmi mélységgel kerülnek bemutatásra ahhoz, hogy az olvasó képes legyen ilyen elemzést végezni, és érvelni a bayesi és a klasszikus módszerek relatív előnyei mellett. Az R-kódok tárháza, motiváló adatkészletek és teljes adatelemzések elérhetők a könyv weboldalán.

Brian J. Reich, az Észak-Karolinai Állami Egyetem statisztika docense jelenleg a Journal of Agricultural, Biological, and Environmental Statistics főszerkesztője, és elnyerte a LeRoy & Elva Martin Teaching Awardot.

Sujit K. Ghosh, az Észak-Karolinai Állami Egyetem statisztika professzora több mint 22 éves kutatási és oktatási tapasztalattal rendelkezik a Bayes-elemzések elvégzésében, megkapta a Cavell Brownie mentori díjat, és a Statisztikai és Alkalmazott Matematikai Tudományok Intézetének igazgatóhelyettese volt.