Leserbewertungen
Zusammenfassung:Das Buch wird für seinen klaren und ansprechenden Ansatz zur Bayes'schen Statistik hoch gelobt, der es sowohl für Anfänger als auch für erfahrene Praktiker zugänglich macht. Es bietet einen historischen Kontext, praktische Beispiele und legt den Schwerpunkt auf das Verständnis und nicht nur auf die Theorie. Allerdings wurde es wegen einer beträchtlichen Anzahl von Tippfehlern und Irrtümern in der zweiten Auflage sowie einiger persönlicher Ansichten des Autors kritisiert, die einige Leser als störend empfanden.
Vorteile:⬤ Eine fesselnde und gut lesbare Darstellung, die die Bayes'sche Statistik zugänglich macht.
⬤ Bietet historischen Kontext und praktische Beispiele, die Konzepte verdeutlichen.
⬤ Enthält R-Pakete und zusätzliche Ressourcen für die Anwendung in realen Szenarien.
⬤ Empfohlen sowohl für Anfänger als auch für erfahrene Statistiker, die ihr Wissen auffrischen wollen.
⬤ Zahlreiche Tippfehler und Fehler in der zweiten Auflage.
⬤ Einige Hyperlinks im Buch funktionieren nicht richtig.
⬤ Der Autor wirft persönliche Ansichten ein, einschließlich religiöser Meinungen, was einige Leser als störend empfanden.
(basierend auf 42 Leserbewertungen)
Originaltitel:
Statistical Rethinking: A Bayesian Course with Examples in R and Stan
Inhalt des Buches:
Statistisches Umdenken: Ein Bayes'scher Kurs mit Beispielen in R und Stan stärkt Ihre Kenntnisse und Ihr Vertrauen in das Ziehen von Schlüssen aus Daten. In Anbetracht des Bedarfs an Skripten in der heutigen modellbasierten Statistik fordert das Buch Sie dazu auf, Schritt für Schritt Berechnungen durchzuführen, die normalerweise automatisiert sind. Dieser einzigartige rechnerische Ansatz stellt sicher, dass Sie genügend Details verstehen, um vernünftige Entscheidungen und Interpretationen in Ihrer eigenen Modellierungsarbeit zu treffen.
Der Text präsentiert Kausalschlüsse und verallgemeinerte lineare Mehrebenenmodelle aus einer einfachen Bayes'schen Perspektive, die auf der Informationstheorie und der maximalen Entropie aufbaut. Das Kernmaterial reicht von den Grundlagen der Regression bis zu fortgeschrittenen Mehrebenenmodellen. Außerdem werden Messfehler, fehlende Daten und Gauß-Prozess-Modelle für räumliche und phylogenetische Verwechslungen vorgestellt.
Die zweite Auflage betont den Ansatz des gerichteten azyklischen Graphen (DAG) zur kausalen Inferenz, wobei DAGs in viele Beispiele integriert werden. Die neue Ausgabe enthält auch neues Material über die Gestaltung von Prior-Verteilungen, Splines, geordnete kategoriale Prädiktoren, Modelle für soziale Beziehungen, Kreuzvalidierung, Wichtigkeitsstichproben, instrumentelle Variablen und Hamiltonian Monte Carlo. Sie endet mit einem völlig neuen Kapitel, das über die verallgemeinerte lineare Modellierung hinausgeht und zeigt, wie bereichsspezifische wissenschaftliche Modelle in statistische Analysen integriert werden können.
Merkmale.
⬤ Integriert Arbeitscode in den Haupttext.
⬤ Veranschaulicht Konzepte durch Beispiele aus der Datenanalyse.
⬤ Betont das Verständnis von Annahmen und wie sich Annahmen im Code widerspiegeln.
⬤ Bietet detailliertere Erklärungen der Mathematik in optionalen Abschnitten.
⬤ Zeigt Beispiele für die Verwendung des R-Pakets dagitty zur Analyse von Kausaldiagrammen.
⬤ Bietet das rethinking R-Paket auf der Website des Autors und auf GitHub an.
Weitere Daten des Buches:
| ISBN: | 9780367139919 |
| Autor: | |
| Verlag: | |
| Einband: | Hardcover |
| Erscheinungsjahr: | 2020 |
| Seitenzahl: | 594 |
Kauf:
Derzeit verfügbar, auf Lager.
