Tài liệu tham khảo cơ bản về MCMC cho Bayesian Statistics

Tôi đang tìm kiếm một số bài báo hoặc sách với các ví dụ thực tế và lý thuyết về MCMC cơ bản cho Thống kê Bayes (Với R). Tôi chưa bao giờ nghiên cứu về mô phỏng, và đó là lý do tại sao tôi đang tìm kiếm thông tin "cơ bản". Bạn có thể cho tôi một số khuyến nghị hoặc lời khuyên?

Bên cạnh các tiêu đề trên, có những cuốn sách đặc biệt nhắm mục tiêu R, như

• Tính toán Bayes của Jim Albert với R
• cuốn sách Bayesian Essentials with R với hướng dẫn giải pháp về arXiv
• cuốn sách của chúng tôi Giới thiệu về Phương pháp Monte Carlo với R , đây là phiên bản dành cho người mới bắt đầu của Phương pháp thống kê Monte Carlo toàn diện hơn của chúng tôi và cũng có hướng dẫn sử dụng giải pháp arXive
• Xem xét lại thống kê của Richard McElreath với các ví dụ trong R và STAN mà tôi đã xem xét trên blog của mình

mọi người thường đánh giá cao Phân tích dữ liệu Bay Bay của Kruschke như một cuốn sách giới thiệu tuyệt vời.

Từ đó có thể thử Phân tích dữ liệu Bayes của Gelman .

Sau đó kết thúc nó với Phương pháp thống kê xuất sắc Monte Carlo

Không có thêm thông tin về những gì cụ thể bạn đang tìm kiếm điều này có lẽ là tốt nhất tôi có thể làm.

Khi tôi bắt đầu tìm hiểu số liệu thống kê, tôi thấy cuốn sách của Gelman về phân tích dữ liệu Bayes rất khó hiểu, có thể hơi quá sức đối với người mới biết về thống kê!.

Tôi khuyên bạn nên bắt đầu với cuốn sách của Peter Hoff Một khóa học đầu tiên về phương pháp thống kê Bayes .

Nó không phải là một cuốn sách toàn diện cho các chủ đề thống kê nâng cao nhưng nó chứa một số lượng lớn các mô hình và ví dụ thống kê và mã R được cung cấp trong toàn bộ văn bản hoặc từ trang web của cuốn sách này.

Nếu bạn hỏi về giấy giới thiệu , bạn có thể kiểm tra như sau:

Casella, G., & George, EI (1992). Giải thích về bộ lấy mẫu Gibbs. Nhà thống kê người Mỹ, 46 (3), 167-174.

Andrieu, C., de Freitas, N., Doucet, A. & Jordan, MI (2003). Giới thiệu về MCMC cho máy học. Máy học, 50, 5-43.

Tierney, L. (1994). Chuỗi Markov để khám phá phân phối sau. Biên niên sử Thống kê, 1701-1728.

Hartig, F., Calabrese, JM, Reineking, B., Wiegand, T., & Huth, A. (2011). Suy luận thống kê cho các mô hình mô phỏng ngẫu nhiên - lý thuyết và ứng dụng. Thư sinh thái, 14, 816 Từ827.

Lý thuyết Bayes luôn có ý nghĩa với tôi, nhưng phân tích Bayes luôn rất khó hiểu. Mọi thứ thực sự bắt đầu khi tôi đọc bài đăng trên blog này về ví dụ 8 trường: http://andrewgelman.com/2014/01/21/everything-need-ledge-bayesian-statistic-learned-eight-schools/

Tôi thực sự nghĩ rằng ví dụ này có thể có ý nghĩa hơn với một ví dụ tốt hơn, số liệu được mô tả trong 8 Trường học là một kết quả "huấn luyện" trừu tượng.

Giải thích đồ họa tuyệt vời của MCMC từ Stata

https://www.youtube.com/watch?v=OTO1DygELpY