Metodi statistici bayesiani

Recensioni dei lettori

Il libro è una risorsa di livello universitario sulla modellazione bayesiana, nota per la sua chiarezza e la copertura completa degli argomenti. Tuttavia, potrebbe non essere adatto ai principianti a causa della sua natura tecnica e della mancanza di esempi sufficienti.

⬤ Ben scritto e spiega chiaramente le nozioni essenziali della modellazione bayesiana
⬤ copertura concisa di molti argomenti
⬤ esercizi utili che rafforzano i concetti
⬤ fornisce validi esempi di modelli e codice per scenari avanzati.

⬤ Non adatto ai principianti a causa della scrittura eccessivamente tecnica e della mancanza di esempi adeguati
⬤ La versione Kindle presenta problemi di compatibilità, come crash e blocchi
⬤ Richiede una conoscenza preliminare di R, che potrebbe non essere un prerequisito per tutti i lettori.

(basato su 6 recensioni dei lettori)

Titolo originale:

Bayesian Statistical Methods

Contenuto del libro:

Il libro Metodi statistici bayesiani fornisce agli scienziati dei dati gli strumenti fondamentali e computazionali necessari per effettuare un'analisi bayesiana. Questo libro si concentra sui metodi bayesiani applicati abitualmente nella pratica, tra cui la regressione lineare multipla, i modelli a effetti misti e i modelli lineari generalizzati (GLM). Gli autori includono numerosi esempi con codice R completo e confronti con analoghe procedure frequentiste.

Oltre ai concetti di base dei metodi inferenziali bayesiani, il libro tratta molti argomenti generali:

⬤ Consigli sulla selezione delle distribuzioni precedenti.

⬤ Metodi di calcolo, compresa la catena di Markov Monte Carlo (MCMC).

⬤ Misure di confronto dei modelli e di bontà di adattamento, compresa la sensibilità ai priori.

⬤ Proprietà frequenziali dei metodi bayesiani.

Casi di studio relativi ad argomenti avanzati illustrano la flessibilità dell'approccio bayesiano:

⬤ Regressione semiparametrica.

⬤ Gestione dei dati mancanti mediante distribuzioni predittive.

⬤ Preparazione di modelli di regressione ad alta dimensionalità.

⬤ Tecniche di calcolo per grandi insiemi di dati.

⬤ Analisi dei dati spaziali.

Gli argomenti avanzati sono presentati con una profondità concettuale tale che il lettore sarà in grado di effettuare tali analisi e di argomentare i meriti relativi dei metodi bayesiani e classici. Un repository di codice R, set di dati motivanti e analisi complete dei dati sono disponibili sul sito web del libro.

Brian J. Reich, professore associato di statistica alla North Carolina State University, è attualmente caporedattore del Journal of Agricultural, Biological, and Environmental Statistics e ha ricevuto il LeRoy & Elva Martin Teaching Award.

Sujit K. Ghosh, professore di statistica alla North Carolina State University, ha oltre 22 anni di esperienza di ricerca e insegnamento nella conduzione di analisi bayesiane, ha ricevuto il Cavell Brownie mentoring award e ha ricoperto il ruolo di vicedirettore presso lo Statistical and Applied Mathematical Sciences Institute.