Ripensare la statistica: Un corso bayesiano con esempi in R e Stan

Recensioni dei lettori

Il libro è molto apprezzato per il suo approccio chiaro e coinvolgente alla statistica bayesiana, che lo rende accessibile sia ai principianti che ai professionisti esperti. Fornisce un contesto storico, esempi pratici e si concentra sulla comprensione piuttosto che sulla teoria. Tuttavia, è stato criticato per un numero considerevole di refusi ed errori nella seconda edizione, oltre che per alcune opinioni personali dell'autore che alcuni lettori hanno trovato distraenti.

⬤ Una narrazione coinvolgente e leggibile che rende accessibile la statistica bayesiana.
⬤ Offre un contesto storico ed esempi pratici che chiariscono i concetti.
⬤ Viene fornito con pacchetti R e risorse aggiuntive per l'applicazione in scenari reali.
⬤ Consigliato sia ai principianti che agli statistici esperti che desiderano rafforzare le proprie conoscenze.

⬤ Numerosi refusi ed errori segnalati nella seconda edizione.
⬤ Alcuni collegamenti ipertestuali nel libro non funzionano correttamente.
⬤ L'autore inserisce opinioni personali, comprese quelle religiose, che alcuni lettori hanno trovato fuori luogo.

(basato su 42 recensioni dei lettori)

Titolo originale:

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

Contenuto del libro:

Ripensare la statistica: A Bayesian Course with Examples in R and Stan vi aiuterà a conoscere e a fare inferenze dai dati. Riflettendo la necessità di scripting nelle odierne statistiche basate su modelli, il libro vi spinge a eseguire passo dopo passo calcoli che di solito sono automatizzati. Questo approccio computazionale unico garantisce la comprensione di un numero sufficiente di dettagli per effettuare scelte e interpretazioni ragionevoli nel proprio lavoro di modellazione.

Il testo presenta l'inferenza causale e i modelli lineari generalizzati multilivello da una semplice prospettiva bayesiana che si basa sulla teoria dell'informazione e sulla massima entropia. Il materiale di base va dai fondamenti della regressione ai modelli multilivello avanzati. Vengono inoltre presentati l'errore di misura, i dati mancanti e i modelli di processo gaussiano per il confondimento spaziale e filogenetico.

La seconda edizione enfatizza l'approccio a grafo aciclico diretto (DAG) all'inferenza causale, integrando i DAG in molti esempi. La nuova edizione contiene anche nuovo materiale sulla progettazione di distribuzioni prioritarie, spline, predittori categoriali ordinati, modelli di relazioni sociali, convalida incrociata, campionamento d'importanza, variabili strumentali e Hamiltonian Monte Carlo. Si conclude con un capitolo completamente nuovo che va oltre la modellazione lineare generalizzata, mostrando come i modelli scientifici specifici del dominio possano essere integrati nelle analisi statistiche.

Caratteristiche.

⬤ Integra il codice operativo nel testo principale.

⬤ Illustra i concetti attraverso esempi di analisi dei dati.

⬤ Sottolinea la comprensione delle ipotesi e il modo in cui le ipotesi si riflettono nel codice.

⬤ Offre spiegazioni più dettagliate della matematica in sezioni opzionali.

⬤ Presenta esempi di utilizzo del pacchetto R dagitty per analizzare grafici causali.

⬤ Fornisce il pacchetto rethinking R sul sito web dell'autore e su GitHub.