Bewertung:
Das Buch hat gemischte Kritiken erhalten. Einige Leser loben die praktischen Beispiele und die Nützlichkeit für das Erlernen der Bayes'schen Statistik mit dem LearnBayes-Paket, während andere kritisieren, dass es an theoretischen Erklärungen mangelt, keine Lösungen für Übungen bietet und schlecht programmiert ist. Insgesamt scheint es sich eher an diejenigen zu richten, die bereits mit den Konzepten vertraut sind, als an Anfänger.
Vorteile:⬤ Gute konkrete Beispiele und praktische Anwendungen von Bayes'schen Methoden.
⬤ Hilfreiches LearnBayes-Paket zum Erlernen von R und Bayes'scher Statistik.
⬤ Einige Leser fanden es nützlich, wenn es in Verbindung mit anderen Ressourcen verwendet wurde.
⬤ Positives Feedback zum Paket und zur Lieferung des Buches.
⬤ Es fehlen Lösungen zu den Kapitelübungen, was es für das Selbststudium weniger effektiv macht.
⬤ Einige Inhalte sind schlecht erklärt und es fehlt ihnen an theoretischer Tiefe.
⬤ Verwirrende Verwendung von Variablennamen in Programmierbeispielen.
⬤ Nicht anfängerfreundlich; setzt Vorkenntnisse in Bayes'scher Berechnung und R voraus.
⬤ Einige Leser fanden es für die praktische Anwendung fast unbrauchbar.
(basierend auf 9 Leserbewertungen)
Bayesian Computation with R
Die Entwicklung und Anwendung des Bayes'schen Schlusses in der Statistik hat dramatisch zugenommen. Berger (2000) dokumentiert den Anstieg der Bayes'schen Aktivitäten anhand der Anzahl der veröffentlichten Forschungsartikel, der Anzahl der Bücher und der großen Anzahl von Anwendungen von Bayes'schen Artikeln in angewandten Disziplinen wie Wissenschaft und Technik.
Ein Grund für das dramatische Wachstum der Bayes'schen Modellierung ist die Verfügbarkeit von Rechenalgorithmen zur Berechnung der verschiedenen Integrale, die für eine Bayes'sche Posterior-Analyse erforderlich sind. Dank der Geschwindigkeit moderner Computer ist es jetzt möglich, mit dem Bayes'schen Paradigma sehr komplexe Modelle zu berechnen, die mit alternativen frequentistischen Methoden nicht möglich sind. Um Bayes'sche Modelle zu testen, benötigt man eine statistische Rechenumgebung.
Diese Umgebung sollte so beschaffen sein, dass man: kurze Skripte schreiben kann, um ein Bayes'sches Modell zu de? nieren, Funktionen verwenden oder schreiben kann, um eine Posterior-Verteilung zusammenzufassen, Funktionen verwenden kann, um aus der Posterior-Verteilung zu simulieren, Graphen konstruieren kann, um die Posterior-Inferenz zu veranschaulichen Eine Umgebung, die diese Anforderungen erfüllt, ist das R-System. R bietet eine breite Palette von Funktionen für die Datenmanipulation, Berechnung und grafische Darstellungen.
Darüber hinaus enthält es eine gut entwickelte, einfache Programmiersprache, die der Benutzer um neue Funktionen erweitern kann. Viele solcher Erweiterungen der Sprache in Form von Paketen können leicht aus dem Compensive R Archive Network (CRAN) heruntergeladen werden.
| ISBN: | 9780387922973 |
| Autor: | |
| Verlag: | |
| Sprache: | Englisch |
| Einband: | Taschenbuch |
Derzeit verfügbar, auf Lager.
