Avis des lecteurs
Résumé:Ce livre est très apprécié pour son approche claire et attrayante des statistiques bayésiennes, qui la rend accessible aux débutants comme aux praticiens expérimentés. Il fournit un contexte historique, des exemples pratiques et met l'accent sur la compréhension plutôt que sur la théorie. Cependant, il a été critiqué pour un nombre considérable de fautes de frappe et d'erreurs dans la deuxième édition, ainsi que pour certains points de vue personnels de l'auteur que certains lecteurs ont trouvé dérangeants.
Avantages:⬤ Un récit engageant et lisible qui rend les statistiques bayésiennes accessibles.
⬤ Offre un contexte historique et des exemples pratiques qui clarifient les concepts.
⬤ Fourni avec des paquets R et des ressources supplémentaires pour l'application dans des scénarios du monde réel.
⬤ Recommandé à la fois aux débutants et aux statisticiens chevronnés désireux de renforcer leurs connaissances.
⬤ De nombreuses coquilles et erreurs ont été signalées dans la deuxième édition.
⬤ Certains liens hypertextes dans le livre ne fonctionnent pas correctement.
⬤ L'auteur fait intervenir des opinions personnelles, y compris des opinions religieuses, que certains lecteurs ont trouvées dérangeantes.
(basé sur 42 avis de lecteurs)
Titre original :
Statistical Rethinking: A Bayesian Course with Examples in R and Stan
Contenu du livre :
Repenser la statistique : A Bayesian Course with Examples in R and Stan développe vos connaissances et votre confiance dans la réalisation d'inférences à partir de données. Reflétant le besoin de script dans les statistiques actuelles basées sur des modèles, le livre vous pousse à effectuer des calculs étape par étape qui sont généralement automatisés. Cette approche computationnelle unique garantit que vous comprenez suffisamment les détails pour faire des choix et des interprétations raisonnables dans votre propre travail de modélisation.
Le texte présente l'inférence causale et les modèles multiniveaux linéaires généralisés dans une perspective bayésienne simple qui s'appuie sur la théorie de l'information et l'entropie maximale. Le matériel de base va des fondements de la régression aux modèles multiniveaux avancés. Il présente également l'erreur de mesure, les données manquantes et les modèles de processus gaussiens pour la confusion spatiale et phylogénétique.
La deuxième édition met l'accent sur l'approche des graphes acycliques dirigés (DAG) pour l'inférence causale, en intégrant les DAG dans de nombreux exemples. La nouvelle édition contient également de nouveaux éléments sur la conception des distributions préalables, les splines, les prédicteurs catégoriels ordonnés, les modèles de relations sociales, la validation croisée, l'échantillonnage d'importance, les variables instrumentales et la méthode de Monte Carlo Hamiltonienne. Elle se termine par un chapitre entièrement nouveau qui va au-delà de la modélisation linéaire généralisée, montrant comment des modèles scientifiques spécifiques à un domaine peuvent être intégrés dans les analyses statistiques.
Caractéristiques.
⬤ Intégration d'un code de travail dans le texte principal.
⬤ Les concepts sont illustrés à l'aide d'exemples d'analyse de données.
⬤ L'accent est mis sur la compréhension des hypothèses et sur la façon dont elles sont reflétées dans le code.
⬤ Offre des explications plus détaillées des mathématiques dans des sections optionnelles.
⬤ Présente des exemples d'utilisation du package R dagitty pour analyser des graphes de causalité.
⬤ Fournit le package R rethinking sur le site web de l'auteur et sur GitHub.
Autres informations sur le livre :
| ISBN : | 9780367139919 |
| Auteur : | |
| Éditeur : | |
| Reliure : | Relié |
| Année de publication : | 2020 |
| Nombre de pages : | 594 |
Achat:
Actuellement disponible, en stock.
