Bayes Factors for Forensic Decision Analyses with R

عوامل بیز برای تجزیه و تحلیل تصمیم قانونی با R مقدمه ای مستقل از آمار بیزی محاسباتی با استفاده از R ارائه می دهد. این کتاب با تمرکز اصلی خود بر عوامل بیز که توسط مجموعه داده ها پشتیبانی می شود، دارای یک چشم انداز عملیاتی، ارتباط عملی، و قابلیت کاربرد - با محدود نگه داشتن توجیهات نظری و فلسفی. این یک رویکرد متعادل به سه موضوع به طور طبیعی مرتبط با یکدیگر ارائه می دهد:

• استنتاج احتمالی - متکی بر مفهوم اصلی آمار استنباطی بیزی ، برای کمک به متخصصان پزشکی قانونی در ارزیابی منطقی و متعادل وزن شواهد.

• تصمیم گیری - ویژگی ها چگونه عوامل بیز در کاربردهای عملی برای کمک به پاسخگویی به سؤالات تجزیه و تحلیل تصمیم که شامل استفاده از علم پزشکی قانونی در قانون است تفسیر می شود.

• ارتباط عملیاتی - استنتاج و تصمیم را با مثال‌های عملی و کد نمونه کامل در R ترکیب می‌کند، از جمله تجزیه و تحلیل حساسیت و بحث در مورد نحوه تفسیر نتایج در زمینه.
</ ul>

در طول دهه‌های گذشته، روش‌های احتمالی جایگاه ثابتی را به عنوان یک رویکرد مرجع برای مدیریت عدم قطعیت تقریباً در همه حوزه‌های علم، از جمله علم پزشکی قانونی، با بیز ایجاد کرده‌اند. قضیه ای که اصل منطقی اساسی را برای ارزیابی چگونگی سنجش اطلاعات جدید - شواهد علمی - ارائه می دهد. محور این رویکرد عامل بیز است که معنای شواهدی اطلاعات جدید را با ارائه معیاری از تغییر شانس به نفع یک پیشنهاد مورد علاقه، هنگام رفتن از توزیع قبلی به پسین، روشن می‌کند. عوامل بیز باید تفکر دانشمند را در مورد ارزش شواهد علمی هدایت کند و اساس شیوه های گزارش دهی منطقی و متعادل را تشکیل دهد، بنابراین پایه های اساسی برای تصمیم گیری منطقی در شرایط عدم قطعیت را نشان می دهد.

این این کتاب برای دانشجویان، پزشکان و آماردانان کاربردی که علاقه مند به استنتاج و تجزیه و تحلیل تصمیم در زمینه حیاتی علم پزشکی قانونی هستند، مرتبط خواهد بود. این می تواند برای حمایت از دوره های عملی در مورد آمار بیزی و تئوری تصمیم در هر دو سطح کارشناسی و کارشناسی ارشد مورد استفاده قرار گیرد، و برای دانشمندان پزشکی قانونی و متخصصان آمار بیزی برای هدایت ارزیابی های خود و استفاده از R برای اهدافشان، مورد علاقه یکسان خواهد بود. span>

این کتاب دسترسی آزاد است.

Bayes Factors for Forensic Decision Analyses with R provides a self-contained introduction to computational Bayesian statistics using R. With its primary focus on Bayes factors supported by data sets, this book features an operational perspective, practical relevance, and applicability―keeping theoretical and philosophical justifications limited. It offers a balanced approach to three naturally interrelated topics:

• Probabilistic Inference - Relies on the core concept of Bayesian inferential statistics, to help practicing forensic scientists in the logical and balanced evaluation of the weight of evidence.

• Decision Making - Features how Bayes factors are interpreted in practical applications to help address questions of decision analysis involving the use of forensic science in the law.

• Operational Relevance - Combines inference and decision, backed up with practical examples and complete sample code in R, including sensitivity analyses and discussion on how to interpret results in context.

Over the past decades, probabilistic methods have established a firm position as a reference approach for the management of uncertainty in virtually all areas of science, including forensic science, with Bayes' theorem providing the fundamental logical tenet for assessing how new information―scientific evidence―ought to be weighed. Central to this approach is the Bayes factor, which clarifies the evidential meaning of new information, by providing a measure of the change in the odds in favor of a proposition of interest, when going from the prior to the posterior distribution. Bayes factors should guide the scientist's thinking about the value of scientific evidence and form the basis of logical and balanced reporting practices, thus representing essential foundations for rational decision making under uncertainty.

This book would be relevant to students, practitioners, and applied statisticians interested in inference and decision analyses in the critical field of forensic science. It could be used to support practical courses on Bayesian statistics and decision theory at both undergraduate and graduate levels, and will be of equal interest to forensic scientists and practitioners of Bayesian statistics for driving their evaluations and the use of R for their purposes.

This book is Open Access.