Modelado de regresión bayesiana con Inla

Opiniones de los lectores

Actualmente no hay opiniones de lectores. La calificación se basa en 6 votos.

Título original:

Bayesian Regression Modeling with Inla

Contenido del libro:

INLA son las siglas de Integrated Nested Laplace Approximations (aproximaciones anidadas de Laplace integradas), un nuevo método para ajustar una amplia clase de modelos de regresión bayesianos. Con INLA no es necesario extraer muestras de las distribuciones marginales posteriores, por lo que es una alternativa computacionalmente conveniente a Markov chain Monte Carlo (MCMC), la herramienta estándar para la inferencia bayesiana.

Bayesian Regression Modeling with INLA abarca una amplia gama de modelos de regresión modernos y se centra en la técnica INLA para construir modelos bayesianos utilizando datos del mundo real y evaluar su validez. Un tema clave en todo el libro es que tiene sentido demostrar la interacción de la teoría y la práctica con estudios reproducibles. Se proporcionan comandos R completos para cada ejemplo, y un sitio web de apoyo contiene todos los datos descritos en el libro. También se puede descargar un paquete R que incluye los datos y las funciones adicionales del libro.

El libro está dirigido a lectores con conocimientos básicos de teoría estadística y metodología bayesiana. Pone a los lectores al día sobre lo último en inferencia bayesiana utilizando INLA y les prepara para un trabajo sofisticado en el mundo real.

Xiaofeng Wang es catedrática de Medicina y Bioestadística en el Cleveland Clinic Lerner College of Medicine de la Case Western Reserve University y miembro titular del Departamento de Ciencias Cuantitativas de la Salud del Cleveland Clinic.

Yu Ryan Yue es profesor asociado de Estadística en el Departamento Paul H. Chook de Sistemas de Información y Estadística del Baruch College de la City University de Nueva York.

Julian J. Faraway es catedrático de Estadística en el Departamento de Ciencias Matemáticas de la Universidad de Bath.