Cantitate/Preț
Produs
Total produse
Vezi coșul
Bayesian Computation with R de Jim Albert

Bayesian Computation with R: Use R!

Autor Jim Albert
en Limba Engleză Paperback – 15 mai 2009

În centrul acestui volum se află componenta practică a calculului bayesian, explorată prin scripturi R și funcții specializate pentru simularea din distribuții posterioare. Remarcăm abordarea autorului de a trece dincolo de teorie, oferind instrumente concrete pentru manipularea datelor și construcția de grafice care ilustrează inferența bayesiană. Ediția a doua, publicată sub egida Use R!, aduce o actualizare importantă prin capitolul dedicat interfeței dintre R și WinBUGS, facilitând astfel utilizatorului accesul la tehnici avansate de modelare în medii de calcul consacrate.

Structura cărții urmărește o progresie logică: după o introducere în gândirea bayesiană și mediul R, textul explorează modelele cu un singur parametru, urmate de cele multiparametrice, culminând cu metodele Markov Chain Monte Carlo (MCMC) și modelarea ierarhică. Spre deosebire de lucrarea sa anterioară, R by Example, care este o introducere generală fără a presupune cunoștințe prealabile de software, Bayesian Computation with R se concentrează strict pe aplicarea paradigmei bayesiene în probleme complexe de inginerie și științe, unde metodele frecventiste devin adesea limitate.

Apreciem rigoarea cu care Jim Albert tratează comparația de modele și regresia, oferind un suport solid pentru practicienii care au nevoie de algoritmi computaționali rapizi. Cititorii familiarizați cu Markov Chain Monte Carlo de Dani Gamerman vor aprecia aici integrarea directă cu limbajul R, volumul de față fiind mai degrabă un ghid operațional decât o monografie teoretică asupra simulării stocastice. Este o resursă care completează viziunea autorului din Probability and Bayesian Modeling, orientându-se decisiv către execuția tehnică în mediul de programare R.

Citește tot Restrânge

Din seria Use R!

Preț: 47332 lei

Puncte Express: 710

Carte tipărită la comandă

Livrare economică 17 iunie-01 iulie

 Adaugă în coș

Wish list
Gift list
Am citit!
Adaugă în listă

Specificații

ISBN-13: 9780387922973
ISBN-10: 0387922970
Pagini: 312
Ilustrații: XII, 300 p.
Dimensiuni: 155 x 235 x 17 mm
Greutate: 0.48 kg
Ediția:2nd edition 2009
Editura: Springer
Colecția Use R!
Seria Use R!

Locul publicării:New York, NY, United States

Public țintă

Professional/practitioner

De ce să citești această carte

Această carte este esențială pentru statisticienii și cercetătorii care doresc să implementeze practic inferența bayesiană folosind R. Cititorul câștigă competențe în scrierea de scripturi pentru modele complexe și utilizarea algoritmilor MCMC. Este recomandată celor care au depășit nivelul introductiv și au nevoie de o metodologie operațională pentru a analiza date reale prin modelare ierarhică și regresie, beneficiind de exemplele practice și interfața WinBUGS.

Despre autor

Jim Albert este profesor de matematică și statistică la Bowling Green State University. Expertiza sa vastă în domeniul statisticii aplicate este reflectată și în activitatea sa ca fost președinte al Secțiunii de Sport din cadrul American Statistical Association. Autorul este cunoscut pentru abilitatea de a face statistica accesibilă, publicând lucrări care variază de la utilizarea R în contexte educaționale, precum R by Example, până la analize statistice inedite în sport, cum sunt Curve Ball sau The Oxford Anthology of Statistics in Sports.

Descriere scurtă

There has been dramatic growth in the development and application of Bayesian inference in statistics. Berger (2000) documents the increase in Bayesian activity by the number of published research articles, the number of books,andtheextensivenumberofapplicationsofBayesianarticlesinapplied disciplines such as science and engineering. One reason for the dramatic growth in Bayesian modeling is the availab- ity of computational algorithms to compute the range of integrals that are necessary in a Bayesian posterior analysis. Due to the speed of modern c- puters, it is now possible to use the Bayesian paradigm to ?t very complex models that cannot be ?t by alternative frequentist methods. To ?t Bayesian models, one needs a statistical computing environment. This environment should be such that one can: write short scripts to de?ne a Bayesian model use or write functions to summarize a posterior distribution use functions to simulate from the posterior distribution construct graphs to illustrate the posterior inference An environment that meets these requirements is the R system. R provides a wide range of functions for data manipulation, calculation, and graphical d- plays. Moreover, it includes a well-developed, simple programming language that users can extend by adding new functions. Many such extensions of the language in the form of packages are easily downloadable from the Comp- hensive R Archive Network (CRAN).

Cuprins

An Introduction to R.- to Bayesian Thinking.- Single-Parameter Models.- Multiparameter Models.- to Bayesian Computation.- Markov Chain Monte Carlo Methods.- Hierarchical Modeling.- Model Comparison.- Regression Models.- Gibbs Sampling.- Using R to Interface with WinBUGS.

Textul de pe ultima copertă

There has been a dramatic growth in the development and application of Bayesian inferential methods. Some of this growth is due to the availability of powerful simulation-based algorithms to summarize posterior distributions. There has been also a growing interest in the use of the system R for statistical analyses. R's open source nature, free availability, and large number of contributor packages have made R the software of choice for many statisticians in education and industry.
Bayesian Computation with R introduces Bayesian modeling by the use of computation using the R language. The early chapters present the basic tenets of Bayesian thinking by use of familiar one and two-parameter inferential problems. Bayesian computational methods such as Laplace's method, rejection sampling, and the SIR algorithm are illustrated in the context of a random effects model. The construction and implementation of Markov Chain Monte Carlo (MCMC) methods is introduced. These simulation-based algorithms are implemented for a variety of Bayesian applications such as normal and binary response regression, hierarchical modeling, order-restricted inference, and robust modeling. Algorithms written in R are used to develop Bayesian tests and assess Bayesian models by use of the posterior predictive distribution. The use of R to interface with WinBUGS, a popular MCMC computing language, is described with several illustrative examples.
This book is a suitable companion book for an introductory course on Bayesian methods and is valuable to the statistical practitioner who wishes to learn more about the R language and Bayesian methodology. The LearnBayes package, written by the author and available from the CRAN website, contains all of the R functions described in the book.
The second edition contains several new topics such as the use of mixtures of conjugate priors and the use of Zellner’s g priors to choose between models in linear regression.There are more illustrations of the construction of informative prior distributions, such as the use of conditional means priors and multivariate normal priors in binary regressions. The new edition contains changes in the R code illustrations according to the latest edition of the LearnBayes package.
Jim Albert is Professor of Statistics at Bowling Green State University. He is Fellow of the American Statistical Association and is past editor of The American Statistician. His books include Ordinal Data Modeling (with Val Johnson), Workshop Statistics: Discovery with Data, A Bayesian Approach (with Allan Rossman), and Bayesian Computation using Minitab.

Caracteristici

Introduces Bayesian modeling by use of computation using the R language Includes supplementary material: sn.pub/extras