Replanteamiento Estadístico: Un curso bayesiano con ejemplos en R y Stan

Opiniones de los lectores

El libro ha sido muy elogiado por su enfoque claro y atractivo de la estadística bayesiana, que la hace accesible tanto para principiantes como para profesionales experimentados. Ofrece un contexto histórico, ejemplos prácticos y se centra en la comprensión más que en la teoría. Sin embargo, ha sido criticado por un número considerable de erratas y errores en la segunda edición, así como por algunas opiniones personales del autor que algunos lectores consideraron que distraían.

⬤ Narración atractiva y legible que hace accesible la estadística bayesiana.
⬤ Ofrece contexto histórico y ejemplos prácticos que aclaran los conceptos.
⬤ Viene con paquetes R y recursos adicionales para su aplicación en escenarios del mundo real.
⬤ Recomendado tanto para principiantes como para estadísticos experimentados que buscan reforzar sus conocimientos.

⬤ Numerosas erratas y errores señalados en la segunda edición.
⬤ Algunos hipervínculos del libro no funcionan correctamente.
⬤ El autor intercala puntos de vista personales, incluidas opiniones religiosas, que algunos lectores encontraron desagradables.

(basado en 42 opiniones de lectores)

Título original:

Statistical Rethinking: A Bayesian Course with Examples in R and Stan

Contenido del libro:

Replanteamiento estadístico: A Bayesian Course with Examples in R and Stan aumenta sus conocimientos y su confianza a la hora de hacer inferencias a partir de datos. Reflejando la necesidad de secuencias de comandos en la estadística actual basada en modelos, el libro le empuja a realizar cálculos paso a paso que normalmente están automatizados. Este enfoque computacional único garantiza que comprenda los detalles suficientes para tomar decisiones e interpretaciones razonables en su propio trabajo de modelización.

El texto presenta la inferencia causal y los modelos multinivel lineales generalizados desde una perspectiva bayesiana sencilla que se basa en la teoría de la información y la máxima entropía. El material básico abarca desde los fundamentos de la regresión hasta los modelos multinivel avanzados. También presenta el error de medición, los datos que faltan y los modelos de procesos gaussianos para la confusión espacial y filogenética.

La segunda edición hace hincapié en el enfoque de grafo acíclico dirigido (DAG) para la inferencia causal, integrando DAGs en muchos ejemplos. La nueva edición también contiene material nuevo sobre el diseño de distribuciones a priori, splines, predictores categóricos ordenados, modelos de relaciones sociales, validación cruzada, muestreo de importancia, variables instrumentales y Hamiltonian Monte Carlo. Concluye con un capítulo completamente nuevo que va más allá del modelado lineal generalizado, mostrando cómo los modelos científicos específicos del dominio pueden incorporarse a los análisis estadísticos.

Características.

⬤ Integra código de trabajo en el texto principal.

⬤ Ilustra los conceptos a través de ejemplos de análisis de datos.

⬤ Enfatiza la comprensión de los supuestos y cómo éstos se reflejan en el código.

⬤ Ofrece explicaciones más detalladas de las matemáticas en secciones opcionales.

⬤ Presenta ejemplos del uso del paquete dagitty R para analizar gráficos causales.

⬤ Proporciona el paquete rethinking R en el sitio web del autor y en GitHub.