Note :
Il n'y a actuellement aucun avis de lecteur. La note est basée sur 6 votes.
Bayesian Regression Modeling with Inla
INLA signifie Integrated Nested Laplace Approximations (approximations de Laplace intégrées et imbriquées). Il s'agit d'une nouvelle méthode d'ajustement d'une large catégorie de modèles de régression bayésiens. Aucun échantillon des distributions marginales postérieures n'a besoin d'être tiré avec INLA, ce qui en fait une alternative pratique à la méthode de Monte Carlo par chaîne de Markov (MCMC), l'outil standard de l'inférence bayésienne.
Bayesian Regression Modeling with INLA couvre un large éventail de modèles de régression modernes et se concentre sur la technique INLA pour construire des modèles bayésiens en utilisant des données du monde réel et en évaluant leur validité. L'un des thèmes clés du livre est qu'il est utile de démontrer l'interaction entre la théorie et la pratique à l'aide d'études reproductibles. Des commandes R complètes sont fournies pour chaque exemple, et un site web contient toutes les données décrites dans le livre. Un paquetage R comprenant les données et les fonctions supplémentaires du livre peut être téléchargé.
Ce livre s'adresse aux lecteurs qui ont une connaissance de base de la théorie statistique et de la méthodologie bayésienne. Il permet aux lecteurs de se tenir au courant des dernières nouveautés en matière d'inférence bayésienne à l'aide d'INLA et les prépare à un travail sophistiqué dans le monde réel.
Xiaofeng Wang est professeur de médecine et de biostatistique au Cleveland Clinic Lerner College of Medicine de la Case Western Reserve University et membre du personnel du département des sciences quantitatives de la santé de la Cleveland Clinic.
Yu Ryan Yue est professeur associé de statistiques au département Paul H. Chook des systèmes d'information et des statistiques au Baruch College, The City University of New York.
Julian J. Faraway est professeur de statistiques au département des sciences mathématiques de l'université de Bath.
© Book1 Group - tous droits réservés.
Le contenu de ce site ne peut être copié ou utilisé, en tout ou en partie, sans l'autorisation écrite du propriétaire.
Dernière modification: 2024.11.14 07:32 (GMT)