Bewertung:
Das Buch dient als Hilfsmittel für Hochschulabsolventen im Bereich der Bayes'schen Modellierung und zeichnet sich durch seine Klarheit und umfassende Abdeckung der Themen aus. Aufgrund seiner technischen Natur und des Mangels an ausreichenden Beispielen ist es jedoch möglicherweise nicht für Anfänger geeignet.
Vorteile:⬤ Gut geschrieben und klar erklärt wesentliche Begriffe der Bayes'schen Modellierung
⬤ prägnante Abdeckung vieler Themen
⬤ nützliche Übungen, die Konzepte verstärken
⬤ bietet wertvolle Modell- und Codebeispiele für fortgeschrittene Szenarien.
⬤ Nicht für Anfänger geeignet, da zu technisch geschrieben und zu wenig Beispiele
⬤ Kindle-Version hat Kompatibilitätsprobleme, wie Abstürze und Einfrieren
⬤ erfordert Vorkenntnisse in R, was nicht für alle Leser eine Voraussetzung sein dürfte.
(basierend auf 6 Leserbewertungen)
Bayesian Statistical Methods
Bayesian Statistical Methods bietet Datenwissenschaftlern die grundlegenden und rechnerischen Werkzeuge, die zur Durchführung einer Bayesianischen Analyse erforderlich sind. Dieses Buch konzentriert sich auf Bayes'sche Methoden, die in der Praxis routinemäßig angewendet werden, einschließlich multipler linearer Regression, Modellen mit gemischten Effekten und verallgemeinerten linearen Modellen (GLM). Die Autoren geben zahlreiche Beispiele mit vollständigem R-Code und Vergleiche mit analogen frequentistischen Verfahren.
Zusätzlich zu den grundlegenden Konzepten der Bayes'schen Inferenzmethoden deckt das Buch viele allgemeine Themen ab:
⬤ Ratschläge zur Auswahl von Prioritätsverteilungen.
⬤ Berechnungsmethoden, einschließlich Markov-Chain-Monte-Carlo (MCMC)
⬤ Modellvergleiche und Anpassungsgüte, einschließlich der Empfindlichkeit gegenüber Prioren.
⬤ Frequentistische Eigenschaften von Bayes'schen Methoden.
Fallstudien zu fortgeschrittenen Themen veranschaulichen die Flexibilität des Bayes'schen Ansatzes:
⬤ Semiparametrische Regression.
⬤ Behandlung von fehlenden Daten mit Hilfe von prädiktiven Verteilungen.
⬤ Vorteile für hochdimensionale Regressionsmodelle.
⬤ Rechentechniken für große Datensätze.
⬤ Raumbezogene Datenanalyse.
Die fortgeschrittenen Themen werden mit ausreichender konzeptioneller Tiefe dargestellt, so dass der Leser in der Lage ist, eine solche Analyse durchzuführen und die relativen Vorzüge von Bayes'schen und klassischen Methoden zu diskutieren. Ein Repository von R-Code, motivierende Datensätze und vollständige Datenanalysen sind auf der Website des Buches verfügbar.
Brian J. Reich, außerordentlicher Professor für Statistik an der North Carolina State University, ist derzeit Chefredakteur des Journal of Agricultural, Biological, and Environmental Statistics und wurde mit dem LeRoy & Elva Martin Teaching Award ausgezeichnet.
Sujit K. Ghosh, Professor für Statistik an der North Carolina State University, verfügt über mehr als 22 Jahre Forschungs- und Lehrerfahrung in der Durchführung von Bayes'schen Analysen, erhielt den Cavell Brownie Mentoring Award und war stellvertretender Direktor am Statistical and Applied Mathematical Sciences Institute.
| ISBN: | 9781032093185 |
| Autor: | |
| Verlag: | |
| Sprache: | Englisch |
| Einband: | Taschenbuch |
| Erscheinungsjahr: | 2021 |
| Seitenzahl: | 288 |
Derzeit verfügbar, auf Lager.
