Modelowanie regresji bayesowskiej z Inla

Opinie czytelników

Obecnie brak opinii czytelników. Ocena opiera się na 6 głosach.

Oryginalny tytuł:

Bayesian Regression Modeling with Inla

Zawartość książki:

INLA to skrót od Integrated Nested Laplace Approximations, czyli nowej metody dopasowywania szerokiej klasy bayesowskich modeli regresji. Przy użyciu INLA nie trzeba pobierać próbek rozkładów krańcowych, więc jest to wygodna obliczeniowo alternatywa dla łańcucha Markowa Monte Carlo (MCMC), standardowego narzędzia do wnioskowania bayesowskiego.

Bayesian Regression Modeling with INLA obejmuje szeroki zakres nowoczesnych modeli regresji i koncentruje się na technice INLA do budowania modeli bayesowskich przy użyciu rzeczywistych danych i oceny ich poprawności. Kluczowym tematem całej książki jest to, że warto zademonstrować wzajemne oddziaływanie teorii i praktyki za pomocą powtarzalnych badań. Dla każdego przykładu podano kompletne polecenia R, a pomocnicza strona internetowa zawiera wszystkie dane opisane w książce. Pakiet R zawierający dane i dodatkowe funkcje opisane w książce jest dostępny do pobrania.

Książka skierowana jest do czytelników posiadających podstawową wiedzę z zakresu teorii statystyki i metodologii bayesowskiej. Dostarcza czytelnikom aktualnych informacji na temat najnowszych metod wnioskowania bayesowskiego przy użyciu INLA i przygotowuje ich do zaawansowanej pracy w świecie rzeczywistym.

Xiaofeng Wang jest profesorem medycyny i biostatystyki w Cleveland Clinic Lerner College of Medicine na Case Western Reserve University oraz pracownikiem Wydziału Ilościowych Nauk o Zdrowiu w Cleveland Clinic.

Yu Ryan Yue jest profesorem nadzwyczajnym statystyki w Paul H. Chook Department of Information Systems and Statistics w Baruch College, The City University of New York.

Julian J. Faraway jest profesorem statystyki na Wydziale Nauk Matematycznych Uniwersytetu w Bath.