Calcolo bayesiano con R

Recensioni dei lettori

Il libro ha ricevuto recensioni contrastanti: alcuni lettori ne lodano gli esempi pratici e l'utilità per l'apprendimento della statistica bayesiana con il pacchetto LearnBayes, mentre altri lo criticano per la mancanza di spiegazioni teoriche, l'assenza di soluzioni agli esercizi e le scarse pratiche di programmazione. Nel complesso, sembra rivolgersi più a chi ha già familiarità con i concetti che ai principianti.

⬤ Buoni esempi concreti e applicazioni pratiche dei metodi bayesiani.
⬤ Utile il pacchetto LearnBayes per l'apprendimento di R e delle statistiche bayesiane.
⬤ Alcuni lettori l'hanno trovato utile se usato insieme ad altre risorse.
⬤ Feedback positivo sul pacchetto e sulla consegna del libro.

⬤ Mancano le soluzioni agli esercizi dei capitoli, il che lo rende meno efficace per lo studio autonomo.
⬤ Alcuni contenuti sono spiegati male e mancano di profondità teorica.
⬤ Uso confuso dei nomi delle variabili negli esempi di programmazione.
⬤ Non è adatto ai principianti; presuppone una conoscenza preliminare del calcolo bayesiano e di R.
⬤ Alcuni lettori lo hanno trovato quasi inutile per le applicazioni pratiche.

(basato su 9 recensioni dei lettori)

Titolo originale:

Bayesian Computation with R

Contenuto del libro:

Lo sviluppo e l'applicazione dell'inferenza bayesiana in statistica sono cresciuti notevolmente. Berger (2000) documenta l'aumento dell'attività bayesiana attraverso il numero di articoli di ricerca pubblicati, il numero di libri e l'esteso numero di applicazioni di articoli bayesiani in discipline applicate come la scienza e l'ingegneria.

Uno dei motivi della forte crescita della modellazione bayesiana è la disponibilità di algoritmi computazionali per calcolare la gamma di integrali necessari in un'analisi posteriore bayesiana. Grazie alla velocità dei moderni computer, è ora possibile utilizzare il paradigma bayesiano per modelli molto complessi che non possono essere calcolati con metodi frequentisti alternativi. Per elaborare modelli bayesiani è necessario un ambiente di calcolo statistico.

Questo ambiente dovrebbe essere tale da permettere di: scrivere brevi script per definire un modello bayesiano usare o scrivere funzioni per riassumere una distribuzione posteriore usare funzioni per simulare dalla distribuzione posteriore costruire grafici per illustrare l'inferenza posteriore. R fornisce un'ampia gamma di funzioni per la manipolazione dei dati, il calcolo e la rappresentazione grafica.

Inoltre, include un linguaggio di programmazione semplice e ben sviluppato che gli utenti possono estendere aggiungendo nuove funzioni. Molte di queste estensioni del linguaggio, sotto forma di pacchetti, sono facilmente scaricabili dal Comp- hensive R Archive Network (CRAN).