Ocena:
Książka otrzymała mieszane recenzje, przy czym niektórzy czytelnicy chwalą jej praktyczne przykłady i przydatność do nauki statystyki bayesowskiej przy użyciu pakietu LearnBayes, podczas gdy inni krytykują ją za brak wyjaśnień teoretycznych, brak rozwiązań ćwiczeń i słabe praktyki programistyczne. Ogólnie rzecz biorąc, wydaje się, że jest ona przeznaczona bardziej dla osób już zaznajomionych z koncepcjami niż dla początkujących.
Zalety:⬤ Dobre konkretne przykłady i praktyczne zastosowania metod bayesowskich.
⬤ Pomocny pakiet LearnBayes do nauki R i statystyki bayesowskiej.
⬤ Niektórzy czytelnicy uznali go za korzystny w połączeniu z innymi zasobami.
⬤ Pozytywne opinie na temat pakietu i dostawy książki.
⬤ Brak rozwiązań do ćwiczeń z rozdziałów, co czyni ją mniej efektywną do samodzielnej nauki.
⬤ Niektóre treści są słabo wyjaśnione i brakuje im głębi teoretycznej.
⬤ Mylące użycie nazw zmiennych w przykładach programowania.
⬤ Nie jest przyjazna dla początkujących; zakłada wcześniejszą znajomość obliczeń bayesowskich i R.
⬤ Niektórzy czytelnicy uznali ją za prawie bezużyteczną do praktycznego zastosowania.
(na podstawie 9 opinii czytelników)
Bayesian Computation with R
Nastąpił gwałtowny wzrost rozwoju i zastosowania wnioskowania bayesowskiego w statystyce. Berger (2000) dokumentuje wzrost aktywności bayesowskiej liczbą opublikowanych artykułów badawczych, liczbą książek i rozszerzoną liczbą zastosowań artykułów bayesowskich w dyscyplinach stosowanych, takich jak nauka i inżynieria.
Jednym z powodów gwałtownego rozwoju modelowania bayesowskiego jest dostępność algorytmów obliczeniowych do obliczania szeregu całek, które są niezbędne w bayesowskiej analizie posterioralnej. Ze względu na szybkość nowoczesnych komputerów możliwe jest obecnie wykorzystanie paradygmatu bayesowskiego do obliczania bardzo złożonych modeli, których nie można obliczyć za pomocą alternatywnych metod częstościowych. Do testowania modeli bayesowskich potrzebne jest statystyczne środowisko obliczeniowe.
Środowisko to powinno umożliwiać: pisanie krótkich skryptów do definiowania modelu bayesowskiego używanie lub pisanie funkcji do podsumowywania rozkładu potomnego używanie funkcji do symulacji na podstawie rozkładu potomnego konstruowanie wykresów ilustrujących wnioskowanie potomne Środowiskiem spełniającym te wymagania jest system R. R zapewnia szeroki zakres funkcji do manipulacji danymi, obliczeń i graficznych d-grań.
Co więcej, zawiera dobrze rozwinięty, prosty język programowania, który użytkownicy mogą rozszerzać, dodając nowe funkcje. Wiele takich rozszerzeń języka w formie pakietów można łatwo pobrać z Comp- hensive R Archive Network (CRAN)
