Analisi bayesiana con Excel e R

Recensioni dei lettori

Il libro offre un approccio completo alla comprensione della statistica bayesiana attraverso l'uso di Excel e di R, rivolgendosi in particolare a coloro che hanno familiarità con entrambi gli strumenti software.

⬤ Ottimi esempi e spiegazioni che migliorano la comprensione teorica
⬤ sfida i lettori a ripensare le loro opinioni sulle teorie frequentiste e bayesiane
⬤ ben strutturato e pedagogicamente valido.

Utilità limitata per coloro che desiderano utilizzare solo Excel, poiché gran parte del contenuto richiede R; potrebbe non essere adatto a lettori non interessati a R.

(basato su 2 recensioni dei lettori)

Titolo originale:

Bayesian Analysis with Excel and R

Contenuto del libro:

Sfruttare tutta la potenza dell'analisi bayesiana per ottenere un vantaggio competitivo.

I metodi bayesiani possono risolvere problemi che non possono essere gestiti in modo affidabile in altri modi. Partendo dalle competenze e dall'esperienza acquisite con Excel, Conrad Carlberg, MVP di Microsoft Excel, vi aiuta a sfruttare al meglio le capacità bayesiane di Excel e a passare a R per fare ancora di più.

Passo dopo passo, con esempi reali, Carlberg mostra come utilizzare l'analisi bayesiana per risolvere un'ampia gamma di problemi reali. Carlberg chiarisce la terminologia che spesso disorienta gli analisti, fornisce cartelle di lavoro Excel scaricabili che potete facilmente adattare alle vostre esigenze e offre esempi di codice R per sfruttare il pacchetto rethinking di R e il suo accesso a Stan.

Incorporando questi approcci bayesiani nella vostra cassetta degli attrezzi analitici, costruirete un potente vantaggio competitivo per la vostra organizzazione e per voi stessi.

⬤ Esplorate le idee e le strategie chiave alla base dell'analisi bayesiana.

⬤ Distinguete le distribuzioni prioritarie, di verosimiglianza e posteriori e confrontate gli algoritmi per il campionamento degli input.

⬤ Utilizzare l'approssimazione a griglia per risolvere semplici problemi univariati e comprenderne i limiti all'aumentare dei parametri.

⬤ Eseguire simulazioni e regressioni complesse con l'approssimazione quadratica e la funzione quap di Richard McElreath.

⬤ Gestire i valori di testo come se fossero numerici.

⬤ Imparare la tecnica di campionamento bayesiano oggi più diffusa: Markov Chain Monte Carlo (MCMC)

⬤ Utilizzare MCMC per ottimizzare la velocità di esecuzione in problemi ad alta complessità.

⬤ Scoprire quando i metodi frequentisti falliscono e i metodi bayesiani sono essenziali, e quando usare entrambi in tandem.