Ocena:
Książka ta jest ogólnie dobrze oceniana jako solidne źródło do nauki statystyki bayesowskiej, szczególnie dla osób z silnym zapleczem matematycznym. Jest chwalona za jasne wyjaśnienia, systematyczną strukturę i kompleksowe omówienie tematów. Niektórzy użytkownicy zgłaszają jednak problemy z literówkami, czytelnością w wersji Kindle i stromą krzywą uczenia się dla początkujących.
Zalety:⬤ Wyczerpujące i przejrzyste omówienie statystyki bayesowskiej.
⬤ Towarzysząca strona internetowa z rozwiązaniami ćwiczeń usprawnia naukę.
⬤ Odpowiednia dla poważnych studentów z solidnym doświadczeniem w zakresie rachunku prawdopodobieństwa.
⬤ Dobrze zorganizowana struktura, która systematycznie rozwija tematy.
⬤ Obecność literówek i zapisów, które mogą zmylić niektórych czytelników.
⬤ Wersja na Kindle jest podobno trudna w czytaniu i nawigacji.
⬤ Nieodpowiednia dla początkujących lub szukających szybkiego wprowadzenia do tematu.
(na podstawie 9 opinii czytelników)
Bayesian Statistics: An Introduction
Statystyka bayesowska to szkoła myślenia, która łączy wcześniejsze przekonania z prawdopodobieństwem hipotezy w celu uzyskania późniejszych przekonań. Pierwsze wydanie książki Petera Lee ukazało się w 1989 roku, ale temat ten stale się rozwija, z coraz większym naciskiem na techniki oparte na Monte Carlo.
Nowe, czwarte wydanie omawia najnowsze techniki, takie jak metody wariacyjne, Bayesian importance sampling, approximate Bayesian computation i Reversible Jump Markov Chain Monte Carlo (RJMCMC), dostarczając zwięzłego opisu sposobu, w jaki rozwija się bayesowskie podejście do statystyki, a także tego, jak kontrastuje ono z podejściem konwencjonalnym. Teoria jest budowana krok po kroku, a ważne pojęcia, takie jak wystarczalność, są wydobywane z dyskusji najważniejszych cech konkretnych przykładów.
To wydanie:
⬤ Zawiera rozszerzone omówienie próbkowania Gibbsa, w tym więcej przykładów numerycznych i omówienie OpenBUGS, R2WinBUGS i R2OpenBUGS.
⬤ Przedstawia znaczący nowy materiał na temat najnowszych technik, takich jak Bayesian importance sampling, variational Bayes, Approximate Bayesian Computation (ABC) i Reversible Jump Markov Chain Monte Carlo (RJMCMC).
⬤ Zawiera obszerne przykłady uzupełniające przedstawioną teorię.
⬤ Do książki dołączona jest strona internetowa zawierająca nowe materiały i rozwiązania.
Coraz więcej studentów zdaje sobie sprawę, że muszą nauczyć się statystyki bayesowskiej, aby osiągnąć swoje cele akademickie i zawodowe. Książka ta najlepiej nadaje się do wykorzystania jako główny tekst na kursach statystyki bayesowskiej dla studentów trzeciego i czwartego roku studiów licencjackich i podyplomowych.