An Introduction to Bootstrap Methods with Applications to R

روش های بوت استرپ رویکرد قدرتمندی برای تجزیه و تحلیل داده های آماری ارائه می دهند، زیرا کاربردهای کلی تری نسبت به روش های پارامتری استاندارد دارند. مقدمه‌ای بر روش‌های بوت استرپ با کاربردهای R عملی بودن این رویکرد را بررسی می‌کند و با موفقیت از R برای نشان دادن برنامه‌های کاربردی برای بوت استرپ و سایر روش‌های نمونه‌گیری مجدد استفاده می‌کند. این کتاب مقدمه ای مدرن برای روش های بوت استرپ برای خوانندگانی که پیشینه گسترده ای در ریاضیات پیشرفته ندارند ارائه می دهد. در کل تاکید بر استفاده از روش‌های بوت استرپ به عنوان یک ابزار اکتشافی است، از جمله مقدار آن در انتخاب متغیر و سایر محیط‌های مدل‌سازی.

نویسندگان با توصیف روش‌های بوت استرپ و رابطه آن با سایر روش‌های نمونه‌گیری مجدد شروع می‌کنند. با مروری بر طیف گسترده ای از کاربردهای این رویکرد. فصول بعدی پوششی از برآورد مجموعه اطمینان بهبودیافته، تخمین میزان خطا در تجزیه و تحلیل متمایز، و کاربردهایی برای طیف گسترده ای از آزمون فرضیه ها و مشکلات تخمین، از جمله داروسازی، ژنومیک، و اقتصاد را ارائه می دهد. برای آگاه کردن خوانندگان در مورد محدودیت‌های روش، این کتاب همچنین نمونه‌های متضادی را برای سازگاری روش‌های بوت استرپ به نمایش می‌گذارد.

مقدمه‌ای بر برنامه‌نویسی R آمادگی لازم را برای کار با تمرین‌ها و برنامه‌های متعدد ارائه شده در سراسر کتاب فراهم می‌کند. . یک وب‌سایت مرتبط زیرروال‌های R کتاب را در خود جای داده است و فهرست گسترده‌ای از منابع منابعی را برای مطالعه بیشتر فراهم می‌کند.

بحث در مورد موضوع در سطح قابل‌توجهی کاربردی و قابل دسترس، مقدمه‌ای بر روش‌های بوت استرپ با کاربردهای R است. کتاب عالی برای دوره های مقدماتی روش های بوت استرپ و نمونه برداری مجدد در مقاطع فوق لیسانس و فوق لیسانس. همچنین به عنوان یک مرجع روشنگر برای پزشکانی که با داده‌ها در مهندسی، پزشکی و علوم اجتماعی کار می‌کنند و می‌خواهند درکی اولیه از روش‌های بوت استرپ به دست آورند، عمل می‌کند.

Bootstrap methods provide a powerful approach to statistical data analysis, as they have more general applications than standard parametric methods. An Introduction to Bootstrap Methods with Applications to R explores the practicality of this approach and successfully utilizes R to illustrate applications for the bootstrap and other resampling methods. This book provides a modern introduction to bootstrap methods for readers who do not have an extensive background in advanced mathematics. Emphasis throughout is on the use of bootstrap methods as an exploratory tool, including its value in variable selection and other modeling environments.

The authors begin with a description of bootstrap methods and its relationship to other resampling methods, along with an overview of the wide variety of applications of the approach. Subsequent chapters offer coverage of improved confidence set estimation, estimation of error rates in discriminant analysis, and applications to a wide variety of hypothesis testing and estimation problems, including pharmaceutical, genomics, and economics. To inform readers on the limitations of the method, the book also exhibits counterexamples to the consistency of bootstrap methods.

An introduction to R programming provides the needed preparation to work with the numerous exercises and applications presented throughout the book. A related website houses the book's R subroutines, and an extensive listing of references provides resources for further study.

Discussing the topic at a remarkably practical and accessible level, An Introduction to Bootstrap Methods with Applications to R is an excellent book for introductory courses on bootstrap and resampling methods at the upper-undergraduate and graduate levels. It also serves as an insightful reference for practitioners working with data in engineering, medicine, and the social sciences who would like to acquire a basic understanding of bootstrap methods.