Métodos estadísticos bayesianos

Opiniones de los lectores

El libro ha sido elogiado por sus explicaciones claras y su exhaustiva cobertura de los temas de modelización bayesiana, que lo hacen adecuado para cursos de posgrado. Sin embargo, se le critica por ser demasiado técnico para los principiantes y por tener problemas con la versión Kindle.

Bien escrito con explicaciones claras, cubre conceptos esenciales de modelización bayesiana, buenos ejercicios, ejemplos útiles de modelos y códigos, completo para cursos de posgrado.

No es adecuado para principiantes debido a la escritura técnica y la falta de ejemplos, la versión Kindle tiene problemas de rendimiento, asume familiaridad con R que puede ser una barrera para algunos usuarios.

(basado en 6 opiniones de lectores)

Título original:

Bayesian Statistical Methods

Contenido del libro:

Bayesian Statistical Methods proporciona a los científicos de datos las herramientas fundamentales y computacionales necesarias para llevar a cabo un análisis bayesiano. Este libro se centra en los métodos bayesianos aplicados de forma rutinaria en la práctica, incluyendo la regresión lineal múltiple, los modelos de efectos mixtos y los modelos lineales generalizados (GLM). Los autores incluyen numerosos ejemplos con código R completo y comparaciones con procedimientos frecuentistas análogos.

Además de los conceptos básicos de los métodos inferenciales bayesianos, el libro cubre muchos temas generales:

⬤ Consejos sobre la selección de distribuciones a priori.

⬤ Métodos computacionales incluyendo Markov chain Monte Carlo (MCMC).

⬤ Comparación de modelos y medidas de bondad de ajuste, incluida la sensibilidad a las distribuciones a priori.

⬤ Propiedades frecuenciales de los métodos bayesianos.

Los estudios de casos que cubren temas avanzados ilustran la flexibilidad del enfoque bayesiano:

⬤ Regresión semiparamétrica.

⬤ Tratamiento de datos ausentes mediante distribuciones predictivas.

⬤ Modelos de regresión de alta dimensión.

⬤ Técnicas computacionales para grandes conjuntos de datos.

⬤ Análisis de datos espaciales.

Los temas avanzados se presentan con la suficiente profundidad conceptual como para que el lector sea capaz de llevar a cabo dichos análisis y argumentar los méritos relativos de los métodos bayesianos y clásicos. En el sitio web del libro hay disponible un repositorio de código R, conjuntos de datos motivadores y análisis de datos completos.

Brian J. Reich, profesor asociado de Estadística en la Universidad Estatal de Carolina del Norte, es actualmente redactor jefe del Journal of Agricultural, Biological, and Environmental Statistics y fue galardonado con el LeRoy & Elva Martin Teaching Award.

Sujit K. Ghosh, catedrático de Estadística de la Universidad Estatal de Carolina del Norte, cuenta con más de 22 años de experiencia investigadora y docente en la realización de análisis bayesianos, recibió el premio Cavell Brownie de tutoría y fue director adjunto del Instituto de Estadística y Ciencias Matemáticas Aplicadas.

　.