Bayesovské štatistické metódy

Recenzie čitateľov

Kniha slúži ako vysokoškolský zdroj informácií o bayesovskom modelovaní, vyznačuje sa zrozumiteľnosťou a komplexným pokrytím tém. Pre svoju technickú povahu a nedostatok príkladov však nemusí byť vhodná pre začiatočníkov.

⬤ Dobre napísaná a zrozumiteľne vysvetľuje základné pojmy bayesovského modelovania
⬤ stručné pokrytie mnohých tém
⬤ užitočné cvičenia, ktoré posilňujú koncepty
⬤ poskytuje cenné príklady modelov a kódov pre pokročilé scenáre.

⬤ Nevhodná pre začiatočníkov kvôli príliš technickému písaniu a nedostatku vhodných príkladov
⬤ verzia pre Kindle má problémy s kompatibilitou, napríklad padanie a zamŕzanie
⬤ vyžaduje predchádzajúce znalosti R, čo nemusí byť pre všetkých čitateľov nevyhnutnou podmienkou.

(na základe 6 čitateľských recenzií)

Pôvodný názov:

Bayesian Statistical Methods

Obsah knihy:

Bayesovské štatistické metódy poskytuje dátovým vedcom základné a výpočtové nástroje potrebné na vykonanie bayesovskej analýzy. Táto kniha sa zameriava na bayesovské metódy bežne aplikované v praxi vrátane viacnásobnej lineárnej regresie, modelov so zmiešanými efektmi a zovšeobecnených lineárnych modelov (GLM). Autori uvádzajú množstvo príkladov s kompletným kódom v jazyku R a porovnania s analogickými frekvenčnými postupmi.

Okrem základných konceptov bayesovských inferenčných metód sa kniha venuje mnohým všeobecným témam:

⬤ Poradenstvo pri výbere prioritných rozdelení.

⬤ Výpočtové metódy vrátane Markovovho reťazca Monte Carlo (MCMC)

⬤ Porovnávanie modelov a miery dobrej zhody vrátane citlivosti na priory.

⬤ Frekvenčné vlastnosti bayesovských metód.

Prípadové štúdie pokrývajúce pokročilé témy ilustrujú flexibilitu bayesovského prístupu:

⬤ Semiparametrická regresia.

⬤ Spracovanie chýbajúcich údajov pomocou prediktívnych rozdelení.

⬤ Priority pre regresné modely s vysokou dimenziou.

⬤ Výpočtové techniky pre veľké súbory údajov.

⬤ Analýza priestorových údajov.

Pokročilé témy sú prezentované s dostatočnou koncepčnou hĺbkou, aby bol čitateľ schopný vykonať takúto analýzu a argumentovať relatívne výhody bayesovských a klasických metód. Úložisko kódu v jazyku R, motivačné súbory údajov a kompletné analýzy údajov sú k dispozícii na webovej stránke knihy.

Brian J. Reich, docent štatistiky na North Carolina State University, je v súčasnosti šéfredaktorom časopisu Journal of Agricultural, Biological, and Environmental Statistics a získal cenu LeRoy & Elva Martin Teaching Award.

Sujit K. Ghosh, profesor štatistiky na North Carolina State University, má viac ako 22 rokov skúseností s výskumom a výučbou v oblasti vykonávania bayesovských analýz, získal Cavellovu cenu za mentoring Brownie a pôsobil ako zástupca riaditeľa na Inštitúte štatistických a aplikovaných matematických vied.