Sách giáo khoa thống kê Bayesian giới thiệu tốt nhất là gì?

Sách giáo khoa giới thiệu tốt nhất cho thống kê Bayes là gì?

Một cuốn sách cho mỗi câu trả lời, xin vui lòng.

John Kruschke đã phát hành một cuốn sách vào giữa năm 2011 có tên Phân tích dữ liệu của Bayesian: Hướng dẫn với R và BUGS . (Phiên bản thứ hai được phát hành vào tháng 11 năm 2014: Thực hiện phân tích dữ liệu Bayes, Ấn bản thứ hai: Hướng dẫn với R, JAGS và Stan .) Nó thực sự mang tính giới thiệu. Nếu bạn muốn đi bộ từ các số liệu thống kê thường xuyên vào Bayes, đặc biệt là với mô hình đa cấp, tôi khuyên dùng Gelman và Hill.

John Kruschke cũng có một trang web cho cuốn sách có tất cả các ví dụ trong cuốn sách trong BUGS và JAGS. Blog của ông về thống kê Bayes cũng liên kết với cuốn sách.

Yêu thích của tôi là "Phân tích dữ liệu Bayes" của Gelman, et al.

Suy nghĩ lại về thống kê , đã được phát hành cách đây vài tuần và do đó tôi vẫn đang đọc nó, nhưng tôi nghĩ đó là một bổ sung rất hay và mới mẻ cho những cuốn sách giới thiệu thực sự về Bayesian Statistics. Tác giả sử dụng một cách tiếp cận tương tự như cách mà John Kruschke sử dụng trong sách chó con của mình ; Rất dài dòng, giải thích chi tiết, ví dụ sư phạm tốt đẹp, ông cũng sử dụng một phương pháp tính toán hơn là toán học.

Bài giảng Youtube và các tài liệu khác cũng có sẵn từ đây .

Mã được chuyển sang Python / PyMC3

Một phiếu bầu khác cho Gelman và cộng sự, nhưng thứ hai gần gũi với tôi - là sự thuyết phục vừa học vừa làm - là "Tính toán Bayes với R" của Jim Albert .

Sivia và phân tích Skilling, dữ liệu: một hướng dẫn Bayesian (2ed) 2006 246p 0198568320 books.goo :

Các bài giảng thống kê đã là một nguồn gây hoang mang và thất vọng cho nhiều thế hệ sinh viên. Cuốn sách này cố gắng khắc phục tình hình bằng cách đưa ra một cách tiếp cận hợp lý và thống nhất cho toàn bộ chủ đề phân tích dữ liệu. Văn bản này nhằm mục đích hướng dẫn cho sinh viên đại học và sinh viên nghiên cứu về khoa học và kỹ thuật ...

Tôi không biết các khuyến nghị khác mặc dù.

Để giới thiệu, tôi muốn giới thiệu Phương pháp xác suất & Phương pháp Bayes cho tin tặc của Cam Davidson-Pilon, có sẵn miễn phí trên mạng.

Từ mô tả của nó:

Giới thiệu về phương pháp Bayes và lập trình xác suất theo quan điểm tính toán / hiểu biết thứ nhất, toán học-thứ hai.

Nó rất trực quan, cắt thẳng vào giá trị và lấp đầy các chi tiết nghiệt ngã sau này, có rất nhiều ví dụ, có mã tương tác (trong IPython Notebook).

Tôi hoàn toàn đề xuất cuộc luận chiến thú vị "Lý thuyết xác suất: Logic của khoa học" của ET Jaynes.

Đây là một văn bản giới thiệu theo nghĩa không yêu cầu (và thực tế là thích) không có kiến ​​thức về thống kê trước đó, nhưng cuối cùng nó sử dụng toán học khá tinh vi. So với hầu hết các câu trả lời khác được cung cấp, cuốn sách này gần như không thực tế hoặc dễ tiêu hóa, thay vào đó nó cung cấp nền tảng triết học về lý do tại sao bạn muốn sử dụng các phương pháp Bayes và tại sao không sử dụng các phương pháp thường xuyên. Đó là giới thiệu một cách lịch sử và triết học, nhưng không phải là phương pháp sư phạm.

Tôi là một kỹ sư điện và không phải là một nhà thống kê. Tôi đã dành rất nhiều thời gian để đi qua Gelman nhưng tôi không nghĩ người ta có thể coi Gelman là lời giới thiệu cả. Giáo sư Bayesian-guru của tôi từ Carnegie Mellon đồng ý với tôi về điều này. có kiến ​​thức tối thiểu về thống kê và R và Bugs (là cách dễ dàng để làm điều gì đó với chỉ số Bayes) Thực hiện Phân tích dữ liệu Bayes: Hướng dẫn với R và BUGS là một khởi đầu tuyệt vời. Bạn có thể so sánh tất cả các cuốn sách được cung cấp một cách dễ dàng bằng bìa sách của họ!

Cập nhật 5 năm sau: Tôi muốn thêm rằng có lẽ một cách học chính khác một cách nhanh chóng (40 phút) là xem qua tài liệu của một công cụ dựa trên GUI Bayesian Net như Netica 2 . Nó bắt đầu với những điều cơ bản, hướng dẫn bạn qua các bước xây dựng mạng dựa trên tình huống và dữ liệu và cách chạy câu hỏi của riêng bạn qua lại để "hiểu!".

Trọng tâm của nó không hoàn toàn tập trung vào số liệu thống kê Bayes, vì vậy nó thiếu một số phương pháp, nhưng Lý thuyết thông tin, suy luận và thuật toán học tập của David MacKay khiến tôi nắm bắt trực tiếp các số liệu thống kê của Bayesian tốt hơn - nhưng tôi cảm thấy MacKay giải thích tại sao tốt hơn.

Các cuốn sách Gelman đều tuyệt vời nhưng không nhất thiết phải giới thiệu ở chỗ họ cho rằng bạn đã biết một số thống kê. Do đó, họ là một giới thiệu về cách làm thống kê Bayes hơn là thống kê nói chung. Tôi vẫn sẽ cho họ ngón tay cái lên, tuy nhiên.

Là một cuốn sách thống kê / kinh tế lượng giới thiệu có góc nhìn Bayes, tôi muốn giới thiệu Kinh tế lượng Bayesian của Gary Koop .

" Lõi Bayes: Cách tiếp cận thực tế đối với thống kê Bayes tính toán " của Marin và Robert, Springer-Verlag (2007).

"Tại sao?": Tác giả giải thích lý do tại sao lựa chọn bayes và làm thế nào rất tốt. Đó là một cuốn sách thực tế, nhưng được viết bởi một trong những nhà tư tưởng Bayes giỏi nhất còn sống. Nó không đầy đủ. Những cuốn sách khác có mục tiêu đó. Nó chọn một vài chủ đề có liên quan, hữu ích và chiếu sáng nền tảng.

Về "sự lựa chọn": nếu bạn thực sự muốn đi sâu vào nền tảng của Bayes, "Sự lựa chọn Bayes" của Xi'an là rõ ràng, sâu sắc, cần thiết.

Văn bản đại học đầu tiên yêu thích của tôi cho thống kê bayes là của Bolstad, Giới thiệu về Bayesian Statistics . Nếu bạn đang tìm kiếm một cái gì đó tốt nghiệp cấp độ, điều này sẽ quá sơ cấp, nhưng đối với một người mới biết về thống kê thì điều này là lý tưởng.

Tôi không biết tại sao không ai nhắc đến cuốn sách giới thiệu về Bayesian:

Có phiên bản PDF miễn phí cho cuốn sách. Cuốn sách cung cấp đủ tài liệu cho bất cứ ai có rất ít kinh nghiệm về bayesian. Nó giới thiệu khái niệm phân phối trước, phân phối sau, phân phối beta, v.v.

Hãy thử đi, nó miễn phí.

http://greenteapress.com/thinkbayes/

Tôi đã đọc một số phần của Khóa học đầu tiên về Phương pháp thống kê Bayes của Peter Hoff, và tôi thấy nó rất dễ để làm theo. (Ví dụ mã R được cung cấp trong toàn bộ văn bản)

Tôi tìm thấy một giới thiệu tuyệt vời trong Phân tích dữ liệu của Gelman và Hill (2007) bằng cách sử dụng mô hình hồi quy và đa cấp / phân cấp . (Các ý kiến ​​khác đề cập đến nó, nhưng nó xứng đáng để được nâng cấp trên chính nó.)

Xuất phát từ nền tảng phi thống kê, tôi thấy Giới thiệu về Ước tính và Thống kê Bayes cho các nhà khoa học xã hội khá nhiều thông tin và dễ theo dõi.

Nếu bạn đang tìm kiếm một văn bản cơ bản, tức là một văn bản không có điều kiện tiên quyết tính toán, thì có Thống kê của Don Berry : Một quan điểm Bayes .

Hãy xem "Sự lựa chọn Bayes" . Nó có gói đầy đủ: nền tảng, ứng dụng và tính toán. Viết rõ ràng.

Ít nhất tôi đã liếc qua hầu hết những thứ này trong danh sách này và không có cái nào tốt như ý tưởng và phân tích dữ liệu mới của Bayes theo quan điểm của tôi.

Chỉnh sửa: Thật dễ dàng để bắt đầu ngay lập tức thực hiện phân tích Bayes trong khi đọc cuốn sách này. Không chỉ mô hình hóa giá trị trung bình từ phân phối chuẩn với phương sai đã biết, mà phân tích dữ liệu thực tế sau vài chương đầu tiên. Tất cả các ví dụ mã và dữ liệu trên trang web của cuốn sách. Bao gồm một lượng lý thuyết kha khá nhưng trọng tâm là các ứng dụng. Rất nhiều ví dụ trên một loạt các mô hình. Chương đẹp về Bayesian Nonparametrics. Các ví dụ về Winbugs, R và SAS. Tôi thích nó hơn Làm phân tích dữ liệu Bayes (tôi có cả hai). Hầu hết các cuốn sách ở đây (Gelman, Robert, ...) không phải là lời giới thiệu theo quan điểm của tôi và trừ khi bạn có ai đó để nói chuyện với bạn, có lẽ sẽ còn nhiều câu hỏi hơn sau đó trả lời. Cuốn sách của Albert không bao gồm đủ tài liệu để cảm thấy thoải mái khi phân tích dữ liệu khác với những gì được trình bày trong cuốn sách (một lần nữa theo ý kiến ​​của tôi).

Tôi khá thích Markov Chain Monte Carlo: Mô phỏng ngẫu nhiên cho suy luận Bayes của Gamerman và Lopes.

Để bắt đầu hoàn thành, hãy thử William Briggs phá vỡ định luật trung bình: Xác suất và thống kê trong đời thực bằng tiếng Anh

Tôi chỉ đơn giản là phải bao gồm MCMC trong Thực hành . Nó cung cấp một giới thiệu tuyệt vời về MCMC, có lẽ không chung chung như các cuốn sách khác được đề cập, nhưng tuyệt vời để đạt được cái nhìn sâu sắc và trực giác. Tôi sẽ khuyên bạn nên đọc nó sau khi (hoặc song song với) Bayesian Tính với R .

Nếu bạn tình cờ xuất phát từ khoa học vật lý (vật lý / thiên văn học), tôi sẽ khuyên bạn nên Phân tích dữ liệu lôgic Bayes cho Khoa học vật lý: Phương pháp so sánh với hỗ trợ Mathicala® của Gregory (2006).

Mặc dù phần "với Hỗ trợ Mathicala®" của tiêu đề chỉ dành cho các vấn đề thương mại (cách sử dụng mã Mathicala rất kém), nhưng điều hay của cuốn sách này là nó thực sự là một giới thiệu về chủ đề xác suất và thống kê. Nó thậm chí có một số chương về thống kê thường xuyên. Tuy nhiên, một khi bạn cho nó một phát súng, hãy tìm cuốn sách của Gelman et. al rằng rất nhiều người khuyên bạn. Hầu hết các tài liệu trong cuốn sách của Gregory được xem nhẹ (nếu không, nó sẽ không phải là một lời giới thiệu): Cuốn sách của Gelman đã thực sự được đánh thức lại từ Gregory đối với tôi.

Tôi đọc:

Gelman và cộng sự (2013). Phân tích dữ liệu Bayes. Báo chí CRC LLC. Tái bản lần 3

Hoff, Peter D (2009). Một khóa học đầu tiên về phương pháp thống kê Bayes. Các văn bản Springer trong Thống kê.

Kruschke, Thực hiện phân tích dữ liệu Bayes: Hướng dẫn về R và Bugs, 2011. Báo chí học thuật / Elsevier.

và tôi nghĩ rằng cuốn sách hay nhất để bắt đầu là cuốn sách của Kruschke. Thật hoàn hảo cho cách tiếp cận đầu tiên đối với tư duy Bayes: các khái niệm được giải thích rất rõ ràng, không có quá nhiều toán học và có rất nhiều ví dụ hay!

Gelman và cộng sự. là một cuốn sách tuyệt vời, nhưng nó tiên tiến hơn và tôi khuyên bạn nên đọc nó sau cuốn sách của Kruschke.

Ngược lại, tôi không thích cuốn sách của Hoff vì đây là một cuốn sách giới thiệu, nhưng các khái niệm (và suy nghĩ Bayes) không được giải thích một cách rõ ràng. Tôi đề nghị để vượt qua.

Nếu tôi phải chọn một văn bản cho người mới bắt đầu, nó sẽ là

              Sivia DS and Skilling J (2006) book (see below). 

Trong tất cả các cuốn sách được liệt kê dưới đây, nó cố gắng hết sức để nắm bắt trực quan các ý tưởng thiết yếu, nhưng nó vẫn đòi hỏi một số tinh tế toán học từ trang 1.

Dưới đây là danh sách các bài đọc thêm từ cuốn sách của tôi, với ý kiến ​​về mỗi ấn phẩm.

Bernardo, JM và Smith, A, (2000) 4. Lý thuyết Bayes Một tài khoản nghiêm ngặt về các phương pháp Bayes, với nhiều ví dụ thực tế.

Giám mục, C (2006) 5. Nhận dạng mẫu và học máy. Như tiêu đề cho thấy, điều này chủ yếu là về học máy, nhưng nó cung cấp một tài khoản sáng suốt và toàn diện về các phương pháp Bayes.

Cowan G (1998) 6. Phân tích dữ liệu thống kê. Một giới thiệu tuyệt vời phi Bayesian để phân tích thống kê.

Điền, Z (2008) 8. Hiểu tâm lý học như một khoa học: Giới thiệu về khoa học và suy luận thống kê. Cung cấp tài liệu hướng dẫn về quy tắc của Bayes và phân tích sáng suốt về sự khác biệt giữa Bayesian và thống kê thường xuyên.

Gelman A, Carlin J, Stern H và Rubin D. (2003) 14. Phân tích dữ liệu Bayes. Một tài khoản nghiêm ngặt và toàn diện về phân tích Bayes, với nhiều ví dụ thực tế.

Jaynes E và Bretthorst G (2003) 18. Lý thuyết xác suất: Logic của khoa học. Các cổ điển hiện đại của phân tích Bayes. Nó là toàn diện và khôn ngoan. Phong cách phân tán của nó làm cho nó dài (600 trang) nhưng không bao giờ buồn tẻ, và nó được đóng gói với những hiểu biết sâu sắc.

Khan, S, 2012, Giới thiệu về Định lý Bayes. Các video toán học trực tuyến của Salman Khan giới thiệu tốt về các chủ đề khác nhau, bao gồm cả quy tắc của Bayes.

Lee PM (2004) 27. Thống kê Bayes: Giới thiệu. Một văn bản nghiêm ngặt và toàn diện với một phong cách Bayes strident.

MacKay DJC (2003) 28. Lý thuyết thông tin, suy luận và thuật toán học tập. Các cổ điển hiện đại về lý thuyết thông tin. Một văn bản rất dễ đọc đi lang thang khắp các chủ đề, hầu hết tất cả đều sử dụng quy tắc của Bayes.

Migon, HS và Gamerman, D (1999) 30. Suy luận thống kê: Cách tiếp cận tích hợp. Một tài khoản đơn giản (và được đặt ra rõ ràng) về sự suy luận, so sánh các cách tiếp cận Bayes và không Bayes. Mặc dù khá tiên tiến, phong cách viết là hướng dẫn trong tự nhiên.

Pierce JR (1980) 34 Phiên bản 2. Giới thiệu về lý thuyết thông tin: ký hiệu, tín hiệu và tiếng ồn. Pierce viết với một phong cách viết không chính thức, hướng dẫn, nhưng không inch từ việc trình bày các định lý cơ bản của lý thuyết thông tin.

Reza, FM (1961) 35. Giới thiệu về lý thuyết thông tin. Một cuốn sách nghiêm ngặt về toán học và toàn diện hơn so với cuốn sách Pierce ở trên, và chỉ nên đọc một cách lý tưởng sau lần đầu tiên đọc văn bản không chính thức của Pierce.

Sivia DS và Skilling J (2006) 38. Phân tích dữ liệu: Một hướng dẫn Bayes. Đây là một giới thiệu phong cách hướng dẫn tuyệt vời cho các phương pháp Bayes.

Spiegelhalter, D và Rice, K (2009) 36. Thống kê Bayes. Học giả, 4 (8): 5230. http://www.scholarpedia.org/article/Bayesian_statistic Một bản tóm tắt đáng tin cậy và toàn diện về tình trạng hiện tại của thống kê Bayes.

Và, đây là cuốn sách của tôi, được xuất bản vào tháng 6 năm 2013.

Quy tắc của Bayes: Hướng dẫn Giới thiệu về Phân tích Bayes, Tiến sĩ James V Stone, ISBN 976-0956372840

Có thể tải xuống Chương 1 từ: http://jim-stone.staff.shef.ac.uk/BookBayes2012/BayesRuleBookMain.html

Mô tả: Được phát hiện bởi một nhà toán học và nhà thuyết giáo thế kỷ 18, quy tắc của Bayes là nền tảng của lý thuyết xác suất hiện đại. Trong cuốn sách minh họa phong phú này, một loạt các ví dụ có thể truy cập được sử dụng để cho thấy quy tắc của Bayes thực sự là hậu quả tự nhiên của lý luận hợp lý. Quy tắc của Bayes được bắt nguồn bằng cách sử dụng các biểu diễn đồ họa trực quan về xác suất và phân tích Bayes được áp dụng cho ước tính tham số bằng các chương trình MatLab được cung cấp. Phong cách viết hướng dẫn, kết hợp với một thuật ngữ toàn diện, làm cho nó trở thành một mồi lý tưởng cho người mới muốn làm quen với các nguyên tắc cơ bản của phân tích Bayes.

Không hoàn toàn thống kê Bayes như vậy, nhưng tôi hoàn toàn có thể đề xuất "Khóa học đầu tiên về học máy" của Rogers và Girolami, về cơ bản là giới thiệu về phương pháp tiếp cận Bayesian đối với học máy. Nó có cấu trúc rất tốt và rõ ràng và nhắm vào các sinh viên không có nền tảng toán học mạnh mẽ. Điều này có nghĩa là nó là một giới thiệu đầu tiên khá tốt về các ý tưởng Bayes. Ngoài ra còn có mã MATLAB / OCTAVE là một tính năng hay.

Thống kê Bayes cho các nhà khoa học xã hội . Phillips, Lawrence D. (1973), Thomas Crowell & Co. Nó rất rõ ràng, rất dễ tiếp cận, không có kiến ​​thức thống kê, và, không giống như Bolstad mà tôi thấy khô khan, có một số tính cách.

Cuốn sách này cho thấy nó nhằm mục đích vào cấp đại học

Thống kê sinh học: Một giới thiệu Bayes. Tác giả George G Woodsworth.

Được xuất bản bởi John Wiley & Sons

Hân, J. (2014). Phương pháp Bayes: Phương pháp tiếp cận khoa học xã hội và hành vi. Tái bản lần thứ 3

Được viết bởi một giáo sư khoa học chính trị, với các nhà khoa học xã hội là đối tượng mục tiêu trong tâm trí. Mã R được cung cấp.

http://www.amazon.com/Bayesian-Methods-Behavioral-Science-Statistic/dp/1439862486/

Vì loại người mới bắt đầu không được chỉ định trong câu hỏi, đây là lời khuyên của tôi cho các nhà thống kê bắt đầu:

Andrew B. Lawson và Emmanuel Lesaffre (2012): Bayesian Biostatistic

Cuốn sách này đã được sử dụng trong năm đầu tiên của bậc thầy khoa học thống kê của chúng tôi và tôi thấy nó tương đối dễ hiểu đối với một chủ đề khó như vậy. Như với phần lớn các cuốn sách 'thống kê sinh học', các ví dụ chủ yếu là sinh học lâm sàng, nhưng các phương pháp không bị giới hạn trong những phương pháp hữu ích trong khoa học lâm sàng. Chúng tôi đã có khoảng nửa năm giáo dục thống kê trước đó và bên cạnh định lý Bayes, thống kê Bayes chưa được giới thiệu.

Điều tuyệt vời nữa là toàn bộ 649 slide thuyết trình đi kèm đều có sẵn trực tuyến .