Métodos estadísticos bayesianos

Opiniones de los lectores

El libro es un recurso de posgrado sobre modelización bayesiana que destaca por su claridad y por la exhaustividad de sus temas. Sin embargo, puede no ser adecuado para principiantes debido a su naturaleza técnica y a la falta de ejemplos suficientes.

⬤ Bien escrito y explica claramente las nociones esenciales de la modelización bayesiana
⬤ cobertura concisa de muchos temas
⬤ ejercicios útiles que refuerzan los conceptos
⬤ proporciona valiosos ejemplos de modelos y códigos para escenarios avanzados.

⬤ No es adecuado para principiantes debido a una redacción excesivamente técnica y a la falta de ejemplos adecuados
⬤ La versión Kindle tiene problemas de compatibilidad, como cuelgues y congelaciones
⬤ requiere conocimientos previos de R, lo que podría no ser un requisito previo para todos los lectores.

(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, catedrático de Estadística de la Universidad Estatal de Carolina del Norte, es actualmente redactor jefe del Journal of Agricultural, Biological, and Environmental Statistics y ha recibido el premio 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 subdirector del Instituto de Estadística y Ciencias Matemáticas Aplicadas.