Bayesovské statistické metody

Recenze čtenářů

Kniha slouží jako vysokoškolský zdroj informací o bayesovském modelování, vyznačuje se srozumitelností a komplexním pokrytím témat. Pro začátečníky však nemusí být vhodná pro svou technickou povahu a nedostatek příkladů.

⬤ Dobře napsaná a srozumitelně vysvětluje základní pojmy bayesovského modelování
⬤ stručné pokrytí mnoha témat
⬤ užitečná cvičení, která upevňují pojmy
⬤ poskytuje cenné příklady modelů a kódů pro pokročilé scénáře.

⬤ Nevhodné pro začátečníky kvůli příliš technickému psaní a nedostatku vhodných příkladů
⬤ verze pro Kindle má problémy s kompatibilitou, například padá a zamrzá
⬤ vyžaduje předchozí znalost R, což nemusí být pro všechny čtenáře podmínkou.

(na základě 6 hodnocení čtenářů)

Původní název:

Bayesian Statistical Methods

Obsah knihy:

Bayesovské statistické metody poskytuje datovým vědcům základní a výpočetní nástroje potřebné k provádění bayesovské analýzy. Kniha se zaměřuje na bayesovské metody běžně používané v praxi, včetně vícenásobné lineární regrese, modelů se smíšenými efekty a zobecněných lineárních modelů (GLM). Autoři uvádějí mnoho příkladů s kompletním kódem v jazyce R a srovnání s analogickými frequentistickými postupy.

Kromě základních konceptů bayesovských inferenčních metod se kniha zabývá mnoha obecnými tématy:

⬤ Rady pro výběr prioritních rozdělení.

⬤ Výpočetní metody včetně Markovova řetězce Monte Carlo (MCMC).

⬤ Srovnání modelů a míry dobré shody, včetně citlivosti na priory.

⬤ Frekvenční vlastnosti bayesovských metod.

Případové studie pokrývající pokročilá témata ilustrují flexibilitu bayesovského přístupu:

⬤ Semiparametrická regrese.

⬤ Pracování s chybějícími daty pomocí prediktivních rozdělení.

⬤ Priority pro regresní modely s vysokou dimenzí.

⬤ Výpočetní techniky pro velké soubory dat.

⬤ Analýza prostorových dat.

Pokročilá témata jsou prezentována s dostatečnou koncepční hloubkou, aby čtenář byl schopen takovou analýzu provést a argumentovat relativní výhody bayesovských a klasických metod. Na webových stránkách knihy je k dispozici úložiště kódu v jazyce R, motivační datové soubory a kompletní analýzy dat.

Brian J. Reich, docent statistiky na North Carolina State University, je v současné době šéfredaktorem časopisu Journal of Agricultural, Biological, and Environmental Statistics a získal cenu LeRoy & Elva Martin Teaching Award.

Sujit K. Ghosh, profesor statistiky na North Carolina State University, má více než 22 let zkušeností s výzkumem a výukou v oblasti provádění bayesovských analýz, obdržel Cavellovu cenu za mentoring Brownie a působil jako zástupce ředitele v Institutu statistických a aplikovaných matematických věd.