Apa buku teks statistik pengantar Bayesian terbaik?

Yang mana buku teks pengantar terbaik untuk statistik Bayesian?

Tolong, satu buku per jawaban.

John Kruschke merilis sebuah buku pada pertengahan 2011 berjudul Doing Bayesian Data Analysis: A Tutorial with R and BUGS . (Edisi kedua dirilis pada November 2014: Melakukan Analisis Data Bayesian, Edisi Kedua: Tutorial dengan R, JAGS, dan Stan .) Benar-benar pengantar. Jika Anda ingin berjalan dari statistik frequentist ke Bayes, terutama dengan pemodelan multilevel, saya sarankan Gelman dan Hill.

John Kruschke juga memiliki situs web untuk buku yang memiliki semua contoh dalam buku dalam BUGS dan JAGS. Nya blog statistik Bayesian juga link dengan buku.

Favorit saya adalah "Analisis Data Bayesian" oleh Gelman, et al.

Statistik Pemikiran Ulang , telah dirilis hanya beberapa minggu yang lalu dan karenanya saya masih membacanya, tetapi saya pikir ini adalah tambahan yang sangat bagus dan segar untuk buku-buku pengantar tentang Bayesian Statistics. Penulis menggunakan pendekatan yang sama seperti yang digunakan oleh John Kruschke dalam buku - buku anak anjingnya ; sangat verbose, penjelasan terperinci, contoh pedagogis yang bagus, ia juga menggunakan pendekatan komputasi daripada matematika.

Ceramah Youtube dan materi lainnya juga tersedia dari sini .

Kode porting ke Python / PyMC3

Pilihan lain untuk Gelman et al., Tetapi yang kedua dekat bagi saya - menjadi persuasi belajar-dengan-melakukan - adalah "Bayesian Computation with R" karya Jim Albert .

Sivia and Skilling, Analisis data: tutorial Bayesian (2ed) 2006 246p 0198568320 books.goo :

Kuliah statistik telah menjadi sumber banyak kebingungan dan frustrasi bagi generasi mahasiswa. Buku ini mencoba untuk memperbaiki situasi dengan menguraikan pendekatan logis dan terpadu untuk seluruh subjek analisis data. Teks ini dimaksudkan sebagai panduan tutorial untuk sarjana senior dan mahasiswa riset dalam sains dan teknik ...

Saya tidak tahu rekomendasi lainnya.

Untuk pengantar, saya akan merekomendasikan Pemrograman Probabilistik & Metode Bayesian untuk Peretas oleh Cam Davidson-Pilon, tersedia secara online secara gratis.

Dari uraiannya:

Pengantar metode Bayesian dan pemrograman probabilistik dari sudut pandang komputasi / pemahaman-pertama-matematika.

Ini sangat visual, memotong langsung ke nilai dan mengisi rincian berpasir kemudian, memiliki banyak contoh, memiliki kode interaktif (dalam IPython Notebook).

Saya benar-benar merekomendasikan polemik menghibur "Teori Probabilitas: Logika Ilmu Pengetahuan" oleh ET Jaynes.

Ini adalah teks pengantar dalam arti tidak membutuhkan (dan bahkan lebih suka) tidak ada pengetahuan statistik sebelumnya, tetapi pada akhirnya menggunakan matematika yang cukup canggih. Dibandingkan dengan sebagian besar jawaban lain yang disediakan, buku ini hampir tidak praktis atau mudah dicerna, melainkan memberikan landasan filosofis mengapa Anda ingin menggunakan metode Bayesian, dan mengapa tidak menggunakan pendekatan yang sering. Ini adalah pengantar secara historis dan filosofis, tetapi tidak pedagogis.

Saya seorang insinyur listrik dan bukan ahli statistik. Saya menghabiskan banyak waktu untuk mempelajari Gelman, tetapi saya rasa orang tidak bisa menyebut Gelman sebagai pengantar sama sekali. Profesor bayesian-guru saya dari Carnegie Mellon setuju dengan saya dalam hal ini. memiliki pengetahuan minimum tentang statistik dan R dan Bug (sebagai cara mudah untuk melakukan sesuatu dengan stat Bayesian) Melakukan Analisis Data Bayesian: Tutorial dengan R dan BUGS adalah awal yang menakjubkan. Anda dapat membandingkan semua buku yang ditawarkan dengan mudah dari sampul buku mereka!

Pembaruan 5 tahun kemudian: Saya ingin menambahkan bahwa mungkin satu cara utama belajar lainnya dengan cara cepat (40 menit) adalah melalui dokumentasi alat berbasis GUI Bayesian Net seperti Netica 2 . Itu dimulai dengan dasar-dasar, memandu Anda melalui langkah-langkah membangun jaring berdasarkan situasi dan data, dan bagaimana menjalankan pertanyaan Anda sendiri bolak-balik untuk "mendapatkannya!".

Fokusnya tidak sepenuhnya pada statistik Bayesian, sehingga tidak memiliki beberapa metodologi, tetapi Teori Informasi, Inferensi, dan Algoritma Pembelajaran David MacKay membuat saya secara intuitif memahami statistik Bayesian lebih baik daripada yang lain - sebagian besar melakukannya dengan sangat baik, tetapi saya merasa MacKay menjelaskan mengapa lebih baik.

Buku-buku Gelman semuanya sangat bagus tetapi belum tentu bersifat perkenalan karena mereka menganggap bahwa Anda sudah mengetahui beberapa statistik. Oleh karena itu mereka adalah pengantar cara Bayesian melakukan statistik daripada statistik secara umum. Saya masih akan memberi mereka acungan jempol.

Sebagai buku pengantar statistik / ekonometrika yang mengambil perspektif Bayesian, saya akan merekomendasikan Bayesian Econometrics karya Gary Koop .

" Bayesian Core: Suatu Pendekatan Praktis untuk Statistik Bayesian Komputasi " oleh Marin dan Robert, Springer-Verlag (2007).

"Kenapa?": Penulis menjelaskan mengapa pilihan bayesian dan seberapa baik. Ini buku yang praktis, tetapi ditulis oleh salah satu pemikir bayesian terbaik hidup-hidup. Itu tidak lengkap. Buku-buku lain memiliki tujuan itu. Itu mengambil beberapa topik yang relevan, berguna, dan menerangi yayasan.

Tentang "pilihan": jika Anda benar-benar ingin mempelajari dasar bayesian, Xi'an "The Bayesian Choice" jelas, mendalam, esensial.

Teks sarjana pertama favorit saya untuk statistik bayesian adalah oleh Bolstad, Pengantar Bayesian Statistics . Jika Anda mencari sesuatu tingkat pascasarjana, ini akan terlalu dasar, tetapi bagi seseorang yang baru dalam statistik ini ideal.

Saya tidak tahu mengapa tidak ada yang menyebutkan buku pengantar tentang Bayesian:

Ada versi PDF gratis untuk buku ini. Buku ini menawarkan bahan yang cukup bagi siapa saja yang memiliki sedikit pengalaman dalam bayesian. Ini memperkenalkan konsep distribusi sebelumnya, distribusi posterior, distribusi beta dll.

Cobalah, gratis.

http://greenteapress.com/thinkbayes/

Saya telah membaca beberapa bagian dari Kursus Pertama dalam Metode Statistik Bayesian oleh Peter Hoff, dan saya merasa mudah untuk mengikuti. (Contoh kode-R disediakan di seluruh teks)

Saya menemukan pengantar yang sangat baik dalam Gelman dan Hill (2007) Analisis Data Menggunakan Regresi dan Model Multilevel / Hirarki . (Komentar lain menyebutkannya, tetapi layak untuk diangkat sendiri.)

Berasal dari latar belakang non-statistik saya menemukan Pengantar Statistik Bayesian Terapan dan Estimasi untuk Ilmuwan Sosial cukup informatif dan mudah diikuti.

Jika Anda mencari teks dasar, yaitu teks yang tidak memiliki prasyarat kalkulus, ada Statistik Don Berry : A Bayesian Perspective .

Lihatlah "The Bayesian Choice" . Ini memiliki paket lengkap: yayasan, aplikasi dan perhitungan. Ditulis dengan jelas.

Setidaknya saya sudah melirik sebagian besar di daftar ini dan tidak ada yang sebaik Ide Bayesian baru dan Analisis Data menurut saya.

Sunting: Mudah untuk segera mulai melakukan analisis Bayesian saat membaca buku ini. Bukan hanya memodelkan mean dari distribusi Normal dengan varian yang diketahui, tetapi analisis data aktual setelah beberapa bab pertama. Semua contoh kode dan data ada di situs web buku. Mencakup sejumlah teori yang layak tetapi fokusnya adalah aplikasi. Banyak contoh di berbagai model. Bab yang bagus tentang Bayesian Nonparametrics. Contoh Winbugs, R, dan SAS. Saya lebih suka daripada Melakukan Analisis Data Bayesian (saya memiliki keduanya). Sebagian besar buku di sini (Gelman, Robert, ...) tidak pengantar menurut pendapat saya dan kecuali Anda memiliki seseorang untuk diajak bicara Anda mungkin akan dibiarkan dengan lebih banyak pertanyaan daripada jawaban. Buku Albert tidak mencakup materi yang cukup untuk merasa nyaman menganalisis data yang berbeda dari apa yang disajikan dalam buku (sekali lagi pendapat saya).

Saya cukup suka Markov Chain Monte Carlo: Simulasi Stokastik untuk Bayesian Inference oleh Gamerman and Lopes.

Untuk pemula yang lengkap, cobalah William Briggs Melanggar Hukum Rata-Rata: Probabilitas Kehidupan Nyata dan Statistik dalam Bahasa Inggris Biasa

Saya hanya harus memasukkan MCMC dalam Praktek . Ini memberikan pengantar yang sangat baik untuk MCMC, mungkin tidak umum seperti buku-buku lain yang disebutkan, tetapi sangat baik untuk mendapatkan wawasan dan intuisi. Saya akan merekomendasikan membacanya setelah (atau secara paralel dengan) Bayesian Perhitungan dengan R .

Jika Anda berasal dari ilmu fisika (fisika / astronomi), saya akan merekomendasikan Anda Analisis Data Logistik Bayesian untuk Ilmu Fisika: Pendekatan Komparatif dengan Dukungan Mathematica® oleh Gregory (2006).

Meskipun bagian "dengan Dukungan Mathematica®" dari judul tersebut hanya ada untuk masalah komersial (penggunaan kode Mathematica sangat buruk), hal baiknya tentang buku ini adalah bahwa buku ini benar-benar merupakan pengantar untuk subjek probabilitas dan statistik. Bahkan memiliki beberapa bab tentang statistik frequentist. Namun, begitu Anda mencobanya, bukalah buku Gelman et. al bahwa banyak orang merekomendasikan Anda. Sebagian besar materi dalam buku Gregory dianggap enteng (jika tidak, itu bukan perkenalan): Buku Gelman benar-benar merupakan kebangkitan kembali dari buku Gregory untuk saya.

Saya membaca:

Gelman et al (2013). Analisis Data Bayesian. CRC Press LLC. Edisi ke-3.

Hoff, Peter D (2009). Kursus Pertama dalam Metode Statistik Bayesian. Teks Springer dalam Statistik.

Kruschke, Melakukan Analisis Data Bayesian: Tutorial dengan R dan Bug, 2011. Academic Press / Elsevier.

dan saya pikir yang terbaik untuk memulai adalah buku Kruschke. Ini sempurna untuk pendekatan pertama pada pemikiran Bayesian: konsep dijelaskan dengan sangat jelas, tidak ada terlalu banyak matematika, dan ada banyak contoh bagus!

Gelman et al. adalah buku yang bagus, tetapi lebih maju dan saya sarankan untuk membacanya setelah buku Kruschke.

Sebaliknya, saya tidak suka buku Hoff karena ini adalah buku pengantar, tetapi konsep (dan pemikiran Bayesian) tidak dijelaskan secara jelas. Saya sarankan untuk lewat.

Jika saya harus memilih satu teks untuk pemula, itu akan menjadi

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

Dari semua buku yang tercantum di bawah ini berusaha paling keras untuk memberikan pemahaman intuitif tentang ide-ide penting, tetapi masih membutuhkan kecanggihan matematika dari halaman 1.

Di bawah ini adalah daftar Bacaan Lebih Lanjut dari buku saya, dengan komentar pada setiap publikasi.

Bernardo, JM dan Smith, A, (2000) 4. Bayesian Theory Sebuah akun yang teliti tentang metode Bayesian, dengan banyak contoh nyata.

Bishop, C (2006) 5. Pengenalan Pola dan Pembelajaran Mesin. Seperti judulnya, ini terutama tentang pembelajaran mesin, tetapi memberikan penjelasan yang jelas dan komprehensif tentang metode Bayesian.

Cowan G (1998) 6. Analisis Data Statistik. Pengantar non-Bayesian yang sangat baik untuk analisis statistik.

Dienes, Z (2008) 8. Memahami Psikologi sebagai Ilmu: Pengantar Kesimpulan Ilmiah dan Statistik. Memberikan materi tutorial tentang aturan Bayes dan analisis jernih tentang perbedaan antara statistik Bayes dan sering.

Gelman A, Carlin J, Stern H, dan Rubin D. (2003) 14. Analisis Data Bayesian. Laporan yang ketat dan komprehensif tentang analisis Bayesian, dengan banyak contoh dunia nyata.

Jaynes E dan Bretthorst G (2003) 18. Teori Probabilitas: Logika Ilmu Pengetahuan. Klasik modern dari analisis Bayesian. Ini komprehensif dan bijaksana. Gaya diskursifnya membuatnya panjang (600 halaman) tetapi tidak pernah membosankan, dan dikemas penuh dengan wawasan.

Khan, S, 2012, Pengantar Teorema Bayes. Video matematika online Salman Khan membuat pengantar yang baik untuk berbagai topik, termasuk aturan Bayes.

Lee PM (2004) 27. Bayesian Statistics: An Introduction. Teks yang ketat dan komprehensif dengan gaya Bayesian yang melengking.

MacKay DJC (2003) 28. Teori informasi, inferensi, dan algoritma pembelajaran. Klasik modern tentang teori informasi. Sebuah teks yang sangat mudah dibaca yang berkeliaran di banyak topik, hampir semuanya memanfaatkan aturan Bayes.

Migon, HS dan Gamerman, D (1999) 30. Inferensi Statistik: Suatu Pendekatan Terpadu. Catatan langsung (dan jelas ditata) tentang inferensi, yang membandingkan pendekatan Bayesian dan non-Bayesian. Meskipun cukup canggih, gaya penulisan pada dasarnya bersifat tutorial.

Pierce JR (1980) 34 Edisi ke-2. Pengantar teori informasi: simbol, sinyal dan kebisingan. Pierce menulis dengan gaya penulisan tutorial yang informal, tetapi tidak gampang menyajikan teorema fundamental teori informasi.

Reza, FM (1961) 35. Pengantar teori informasi. Buku yang lebih komprehensif dan matematis daripada buku Pierce di atas, dan idealnya harus dibaca hanya setelah membaca teks Pierce yang lebih informal.

Sivia DS dan Skilling J (2006) 38. Analisis Data: Tutorial Bayesian. Ini adalah pengantar gaya tutorial yang bagus untuk metode Bayesian.

Spiegelhalter, D dan Rice, K (2009) 36. Statistik Bayesian. Scholarpedia, 4 (8): 5230. http://www.scholarpedia.org/article/Bayesian_statistics Ringkasan terpercaya dan komprehensif tentang status terkini statistik Bayesian.

Dan, inilah buku saya, diterbitkan Juni 2013.

Aturan Bayes: Tutorial Pengantar Analisis Bayesian, Dr James V Stone, ISBN 978-0956372840

Bab 1 dapat diunduh dari: http://jim-stone.staff.shef.ac.uk/BookBayes2012/BayesRuleBookMain.html

Deskripsi: Ditemukan oleh ahli matematika dan pengkhotbah abad ke-18, aturan Bayes adalah landasan teori probabilitas modern. Dalam buku bergambar kaya ini, berbagai contoh yang dapat diakses digunakan untuk menunjukkan bagaimana aturan Bayes sebenarnya merupakan konsekuensi alami dari penalaran akal sehat. Aturan Bayes diturunkan menggunakan representasi grafis intuitif probabilitas, dan analisis Bayesian diterapkan pada estimasi parameter menggunakan program MatLab yang disediakan. Gaya penulisan tutorial, dikombinasikan dengan glosarium yang komprehensif, menjadikan ini primer yang ideal bagi pemula yang ingin mengenal prinsip-prinsip dasar analisis Bayesian.

Tidak sepenuhnya Statistik Bayesian seperti itu, tetapi saya sangat merekomendasikan "Kursus Pertama tentang Pembelajaran Mesin" oleh Rogers dan Girolami, yang pada dasarnya merupakan pengantar pendekatan Bayesian untuk pembelajaran mesin. Ini sangat terstruktur dan jelas dan ditujukan untuk siswa tanpa latar belakang matematika yang kuat. Ini berarti itu adalah pengantar pertama yang cukup bagus untuk ide-ide Bayesian. Ada juga kode MATLAB / OCTAVE yang merupakan fitur yang bagus.

Statistik Bayesian untuk Ilmuwan Sosial . Phillips, Lawrence D. (1973), Thomas Crowell & Co. Sangat jelas, sangat mudah diakses, tidak memiliki pengetahuan statistik, dan, tidak seperti Bolstad yang saya temukan kering, memiliki kepribadian.

Buku ini menyarankan buku ini ditujukan untuk tingkat sarjana tingkat pemula

Biostatistik: Pengantar Bayesian. Oleh George G Woodsworth.

Diterbitkan oleh John Wiley & Sons

Gill, J. (2014). Metode Bayesian: Pendekatan Ilmu Sosial dan Perilaku. Edisi ke-3.

Ditulis oleh seorang profesor ilmu politik, dengan ilmuwan sosial sebagai target audiens dalam pikiran. Kode R disediakan.

http://www.amazon.com/Bayesian-Methods-Behavioral-Sciences-Statistics/dp/1439862486/

Karena jenis pemula tidak ditentukan dalam pertanyaan, berikut ini saran saya untuk ahli statistik pemula:

Andrew B. Lawson dan Emmanuel Lesaffre (2012): Bayesian Biostatistics

Buku ini digunakan pada tahun pertama master sains statistik kami dan saya merasa relatif mudah untuk memahami subjek yang sulit. Seperti kebanyakan buku 'biostatistik', contoh-contohnya adalah biologi klinis, tetapi metodenya tidak terbatas pada yang bermanfaat dalam ilmu klinis. Kami telah memiliki sekitar setengah tahun pendidikan statistik sebelum ini dan selain teorema Bayes, statistik Bayesian belum diperkenalkan.

Yang juga menyenangkan adalah bahwa seluruh 649 slide presentasi yang menyertainya tersedia secara online .