Ocena:
Książka służy jako źródło wiedzy na poziomie magisterskim na temat modelowania bayesowskiego, znane ze swojej przejrzystości i kompleksowego omówienia tematów. Może jednak nie być odpowiednia dla początkujących ze względu na jej techniczny charakter i brak wystarczających przykładów.
Zalety:⬤ Dobrze napisana i jasno wyjaśnia podstawowe pojęcia modelowania bayesowskiego
⬤ zwięzłe omówienie wielu tematów
⬤ przydatne ćwiczenia, które wzmacniają koncepcje
⬤ zawiera cenne przykłady modeli i kodu dla zaawansowanych scenariuszy.
⬤ Nie nadaje się dla nowicjuszy ze względu na zbyt techniczny język i brak odpowiednich przykładów
⬤ Wersja Kindle ma problemy z kompatybilnością, takie jak zawieszanie się i zamrażanie
⬤ Wymaga wcześniejszej znajomości R, co może nie być warunkiem wstępnym dla wszystkich czytelników.
(na podstawie 6 opinii czytelników)
Bayesian Statistical Methods
Bayesian Statistical Methods zapewnia naukowcom zajmującym się danymi podstawowe i obliczeniowe narzędzia potrzebne do przeprowadzenia analizy bayesowskiej. Książka koncentruje się na metodach bayesowskich stosowanych rutynowo w praktyce, w tym na wielokrotnej regresji liniowej, modelach efektów mieszanych i uogólnionych modelach liniowych (GLM). Autorzy dołączają wiele przykładów z kompletnym kodem R i porównaniami z analogicznymi procedurami częstościowymi.
Oprócz podstawowych koncepcji bayesowskich metod wnioskowania, książka obejmuje wiele ogólnych tematów.
⬤ Porady dotyczące wyboru rozkładów predyktywnych.
⬤ Metody obliczeniowe, w tym łańcuch Markowa Monte Carlo (MCMC)
⬤ Porównanie modeli i miary dobrego dopasowania, w tym wrażliwość na priorytety.
⬤ Częste właściwości metod bayesowskich.
Studia przypadków obejmujące zaawansowane tematy ilustrują elastyczność podejścia bayesowskiego.
⬤ Regresja półparametryczna.
⬤ Obsługa brakujących danych przy użyciu rozkładów predykcyjnych.
⬤ Priorytety dla wielowymiarowych modeli regresji.
⬤ Techniki obliczeniowe dla dużych zbiorów danych.
⬤ Analiza danych przestrzennych.
Zaawansowane tematy są przedstawione z wystarczającą głębią koncepcyjną, aby czytelnik był w stanie przeprowadzić taką analizę i argumentować względne zalety metod bayesowskich i klasycznych. Repozytorium kodu R, motywujące zestawy danych i kompletne analizy danych są dostępne na stronie internetowej książki.
Brian J. Reich, profesor nadzwyczajny statystyki na North Carolina State University, jest obecnie redaktorem naczelnym Journal of Agricultural, Biological, and Environmental Statistics i otrzymał nagrodę LeRoy & Elva Martin Teaching Award.
Sujit K. Ghosh, profesor statystyki na North Carolina State University, ma ponad 22-letnie doświadczenie badawcze i dydaktyczne w przeprowadzaniu analiz bayesowskich, otrzymał nagrodę mentorską Cavell Brownie i pełnił funkcję zastępcy dyrektora w Instytucie Statystyki i Matematyki Stosowanej.
