Probability and Bayesian Modeling de Jim Albert

Probability and Bayesian Modeling: Chapman & Hall/CRC Texts in Statistical Science

Autor Jim Albert, Jingchen Hu

en Limba Engleză Hardback – 18 dec 2019

Subliniem faptul că Probability and Bayesian Modeling este construit pe o metodologie care prioritizează simularea ca instrument de învățare, integrând-o încă din primele capitole dedicate probabilităților. Structura cursului este riguros divizată: prima parte fundamentează conceptele de probabilitate condiționată și distribuții, în timp ce a doua parte mută întreaga perspectivă către inferența Bayesiană. Putem afirma că progresia materialului, de la modele cu un singur parametru până la structuri ierarhice complexe și regresie logistică, oferă o traiectorie clară pentru studenții care stăpânesc calculul diferențial și integral.

Organizarea volumului reflectă o tranziție logică de la teorie la aplicații computaționale. După introducerea algoritmilor de bază, precum Gibbs și Metropolis-Hastings, autorii ghidează cititorul prin utilizarea JAGS și a pachetului R dedicat, facilitând trecerea de la ecuații la modelarea datelor reale. Comparabil cu Bayes Rules! în rigurozitate, volumul de față este însă mai strâns ancorat în practica statistică modernă prin utilizarea extensivă a distribuțiilor predictive și a tehnicilor de selecție a modelelor.

Considerăm că această lucrare reprezintă o evoluție firească în opera lui Jim Albert. Dacă în lucrări precum R by Example autorul se concentra pe inițierea în mediul de programare, aici Jim Albert folosește instrumentele computaționale pentru a aprofunda concepte statistice avansate. De asemenea, experiența sa documentată în Visualizing Baseball se reflectă în calitatea studiilor de caz prezentate, care transformă teoria abstractă în soluții practice pentru probleme de cercetare contemporane.

Citește tot Restrânge

Din seria Chapman & Hall/CRC Texts in Statistical Science

Preț: 688^.16 lei

Preț vechi: 773^.20 lei
-11%

Puncte Express: 1032

Carte disponibilă

Livrare economică 27 mai-10 iunie

Adaugă în coș

Wish list
Gift list
Am citit!

Adaugă în listă

Specificații

ISBN-13: 9781138492561
ISBN-10: 1138492566
Pagini: 552
Dimensiuni: 156 x 234 x 32 mm
Greutate: 1.02 kg
Ediția:1
Editura: CRC Press
Colecția Chapman and Hall/CRC
Seria Chapman & Hall/CRC Texts in Statistical Science

Public țintă

Academic

De ce să citești această carte

Recomandăm această carte studenților și cercetătorilor care doresc să treacă de la statistica frecventistă la cea Bayesiană folosind instrumente moderne. Cititorul câștigă o înțelegere profundă a modelelor ierarhice și a algoritmilor MCMC, beneficiind de un pachet R dedicat care elimină barierele tehnice inițiale. Este resursa ideală pentru cei care vor să aplice modele liniare și logistice într-un cadru Bayesian riguros.

Despre autor

Jim Albert este profesor de matematică și statistică la Bowling Green State University și a deținut funcția de președinte al Secțiunii de Sport din cadrul American Statistical Association. Expertiza sa vastă se concentrează pe aplicarea statisticii în domenii variate, fiind un promotor al utilizării limbajului R în educația academică. Prin lucrările sale anterioare, acesta a demonstrat o capacitate remarcabilă de a vizualiza date complexe, element care definește și abordarea pedagogică din acest manual de referință.

Descriere scurtă

Probability and Bayesian Modeling is an introduction to probability and Bayesian thinking for undergraduate students with a calculus background. The first part of the book provides a broad view of probability including foundations, conditional probability, discrete and continuous distributions, and joint distributions. Statistical inference is presented completely from a Bayesian perspective. The text introduces inference and prediction for a single proportion and a single mean from Normal sampling. After fundamentals of Markov Chain Monte Carlo algorithms are introduced, Bayesian inference is described for hierarchical and regression models including logistic regression. The book presents several case studies motivated by some historical Bayesian studies and the authors’ research.
This text reflects modern Bayesian statistical practice. Simulation is introduced in all the probability chapters and extensively used in the Bayesian material to simulate from the posterior and predictive distributions. One chapter describes the basic tenets of Metropolis and Gibbs sampling algorithms; however several chapters introduce the fundamentals of Bayesian inference for conjugate priors to deepen understanding. Strategies for constructing prior distributions are described in situations when one has substantial prior information and for cases where one has weak prior knowledge. One chapter introduces hierarchical Bayesian modeling as a practical way of combining data from different groups. There is an extensive discussion of Bayesian regression models including the construction of informative priors, inference about functions of the parameters of interest, prediction, and model selection.
The text uses JAGS (Just Another Gibbs Sampler) as a general-purpose computational method for simulating from posterior distributions for a variety of Bayesian models. An R package ProbBayes is available containing all of the book datasets and special functions for illustrating concepts from the book.
A complete solutions manual is available for instructors who adopt the book in the Additional Resources section.

Cuprins

1. Introduction, examples and review. 2. Why Bayes? 3. One-parameter models. 4. Monte Carlo approximation. 5. Normal models. 6. Gibbs sampler. 7. Metropolis-Hastings algorithms, BUGS. 8. Bayesian hierarchical modeling. 9. Multivariate normal models. 10. Bayesian linear regression. 11. Bayesian model comparison, variable selection and model selection. 12. Applications.

Notă biografică

Jim Albert is a Distinguished University Professor of Statistics at Bowling Green State University. His research interests include Bayesian modeling and applications of statistical thinking in sports. He has authored or coauthored several books including Ordinal Data Modeling, Bayesian Computation with R, and Workshop Statistics: Discovery with Data, A Bayesian Approach.
Jingchen (Monika) Hu is an Assistant Professor of Mathematics and Statistics at Vassar College. She teaches an undergraduate-level Bayesian Statistics course at Vassar, which is shared online across several liberal arts colleges. Her research focuses on dealing with data privacy issues by releasing synthetic data.

Recenzii

"The book can be used by upper undergraduate and graduate students as well as researchers and practitioners in statistics and data science from all disciplines…A background of calculus is required for the reader but no experience in programming is needed. The writing style of the book is extremely reader friendly. It provides numerous illustrative examples, valuable resources, a rich collection of materials, and a memorable learning experience."
~Technometrics
"Over many years, I have wondered about the following: Should a first undergraduate course in statistics be a Bayesian course? After reading this book, I have come to the conclusion that the answer is…yes!... this is very well written textbook that can also be used as self-learning material for practitioners. It presents a clear, accessible, and entertaining account of the interplay of probability, computations, and statistical inference from the Bayesian perspective."
~ISCB News

Descriere

Bayesian statistics has been advancing in many aspects in recent years. Bayesian learning provides a natural framework for students to solve scientific problems. This book provides an introduction to Bayesian analysis for undergraduate students with calculus, statistics, and a computational background.