Avis des lecteurs
Résumé:Ce livre est une ressource de niveau supérieur sur la modélisation bayésienne, reconnue pour sa clarté et sa couverture complète des sujets. Cependant, il peut ne pas convenir aux débutants en raison de sa nature technique et du manque d'exemples suffisants.
Avantages:⬤ Bien écrit et expliquant clairement les notions essentielles de la modélisation bayésienne
⬤ couverture concise de nombreux sujets
⬤ exercices utiles qui renforcent les concepts
⬤ fournit des exemples de modèles et de codes précieux pour les scénarios avancés.
⬤ Ne convient pas aux novices en raison d'une rédaction trop technique et du manque d'exemples appropriés
⬤ La version Kindle présente des problèmes de compatibilité, tels que des plantages et des blocages
⬤ Nécessite une connaissance préalable de R, ce qui peut ne pas être un prérequis pour tous les lecteurs.
(basé sur 6 avis de lecteurs)
Titre original :
Bayesian Statistical Methods
Contenu du livre :
L'ouvrage Méthodes statistiques bayésiennes fournit aux scientifiques des données les outils fondamentaux et informatiques nécessaires pour effectuer une analyse bayésienne. Ce livre se concentre sur les méthodes bayésiennes appliquées couramment dans la pratique, y compris la régression linéaire multiple, les modèles à effets mixtes et les modèles linéaires généralisés (GLM). Les auteurs incluent de nombreux exemples avec un code R complet et des comparaisons avec des procédures frequentistes analogues.
En plus des concepts de base des méthodes inférentielles bayésiennes, le livre couvre de nombreux sujets généraux :
⬤ Conseils sur la sélection des distributions préalables.
⬤ Les méthodes informatiques, y compris la chaîne de Markov Monte Carlo (MCMC).
⬤ Comparaison de modèles et mesures de qualité de l'ajustement, y compris la sensibilité aux antécédents.
⬤ Propriétés fréquentistes des méthodes bayésiennes.
Des études de cas couvrant des sujets avancés illustrent la flexibilité de l'approche bayésienne :
⬤ Régression semiparamétrique.
⬤ Traitement des données manquantes à l'aide de distributions prédictives.
⬤ Préférences pour les modèles de régression à haute dimension.
⬤ Techniques informatiques pour les grands ensembles de données.
⬤ Analyse de données spatiales.
Les sujets avancés sont présentés avec suffisamment de profondeur conceptuelle pour que le lecteur soit en mesure d'effectuer de telles analyses et d'argumenter les mérites relatifs des méthodes bayésiennes et classiques. Un référentiel de code R, des ensembles de données motivantes et des analyses de données complètes sont disponibles sur le site web de l'ouvrage.
Brian J. Reich, professeur agrégé de statistiques à la North Carolina State University, est actuellement rédacteur en chef du Journal of Agricultural, Biological, and Environmental Statistics et a reçu le LeRoy & Elva Martin Teaching Award.
Sujit K. Ghosh, professeur de statistiques à l'université d'État de Caroline du Nord, a plus de 22 ans d'expérience en matière de recherche et d'enseignement dans la conduite d'analyses bayésiennes, a reçu le prix de mentorat Cavell Brownie et a été directeur adjoint de l'Institut de statistique et de sciences mathématiques appliquées.
Autres informations sur le livre :
| ISBN : | 9781032093185 |
| Auteur : | |
| Éditeur : | |
| Langue : | anglais |
| Reliure : | Broché |
| Année de publication : | 2021 |
| Nombre de pages : | 288 |
Achat:
Actuellement disponible, en stock.
