Statistical Rethinking: Kurs bayesowski z przykładami w R i Stan

Opinie czytelników

Książka jest wysoko ceniona za jasne i wciągające podejście do statystyki bayesowskiej, dzięki czemu jest przystępna zarówno dla początkujących, jak i doświadczonych praktyków. Zapewnia kontekst historyczny, praktyczne przykłady i koncentruje się na zrozumieniu, a nie tylko na teorii. Została jednak skrytykowana za znaczną liczbę literówek i błędów w drugim wydaniu, a także za pewne osobiste poglądy autora, które niektórzy czytelnicy uznali za rozpraszające.

⬤ Wciągająca i czytelna narracja, która sprawia, że statystyka bayesowska staje się przystępna.
⬤ Oferuje kontekst historyczny i praktyczne przykłady, które wyjaśniają pojęcia.
⬤ Zawiera pakiety R i dodatkowe zasoby do zastosowania w rzeczywistych scenariuszach.
⬤ Polecana zarówno dla początkujących, jak i doświadczonych statystyków chcących ugruntować swoją wiedzę.

⬤ Liczne literówki i błędy zgłoszone w drugim wydaniu.
⬤ Niektóre hiperłącza w książce nie działają poprawnie.
⬤ Autor wtrąca osobiste poglądy, w tym opinie religijne, które niektórzy czytelnicy uznali za odstręczające.

(na podstawie 42 opinii czytelników)

Oryginalny tytuł:

Statistical Rethinking: A Bayesian Course with Examples in R and Stan

Zawartość książki:

Statistical Rethinking: A Bayesian Course with Examples in R and Stan buduje wiedzę i pewność siebie w zakresie wnioskowania na podstawie danych. Odzwierciedlając potrzebę tworzenia skryptów w dzisiejszych statystykach opartych na modelach, książka zachęca do wykonywania krok po kroku obliczeń, które zwykle są zautomatyzowane. To unikalne podejście obliczeniowe zapewnia, że rozumiesz wystarczająco dużo szczegółów, aby dokonywać rozsądnych wyborów i interpretacji we własnej pracy modelowania.

Tekst przedstawia wnioskowanie przyczynowe i uogólnione liniowe modele wielopoziomowe z prostej perspektywy bayesowskiej, która opiera się na teorii informacji i maksymalnej entropii. Podstawowy materiał obejmuje zarówno podstawy regresji, jak i zaawansowane modele wielopoziomowe. Przedstawia także błędy pomiaru, brakujące dane i modele procesu Gaussa dla przestrzennych i filogenetycznych czynników zakłócających.

Drugie wydanie kładzie nacisk na podejście ukierunkowanego grafu acyklicznego (DAG) do wnioskowania przyczynowego, integrując DAG w wielu przykładach. Nowe wydanie zawiera również nowy materiał na temat projektowania rozkładów wstępnych, splajnów, uporządkowanych predyktorów kategorialnych, modeli relacji społecznych, walidacji krzyżowej, próbkowania ważności, zmiennych instrumentalnych i Hamiltonian Monte Carlo. Książka kończy się zupełnie nowym rozdziałem, który wykracza poza uogólnione modelowanie liniowe, pokazując, w jaki sposób modele naukowe specyficzne dla danej dziedziny mogą być wbudowane w analizy statystyczne.

Cechy.

⬤ Integruje działający kod z głównym tekstem.

⬤ Ilustruje koncepcje poprzez przykłady analizy danych.

⬤ Kładzie nacisk na zrozumienie założeń i ich odzwierciedlenie w kodzie.

⬤ Oferuje bardziej szczegółowe wyjaśnienia matematyki w opcjonalnych sekcjach.

⬤ Przedstawia przykłady użycia pakietu dagitty R do analizy wykresów przyczynowych.

⬤ Udostępnia pakiet rethinking R na stronie autora i w serwisie GitHub.