Bayesian Computation with R

رشد چشمگیری در توسعه و کاربرد روشهای استنتاجی بیزی وجود داشته است. بخشی از این رشد به دلیل در دسترس بودن الگوریتم های قدرتمند مبتنی بر شبیه سازی برای خلاصه کردن توزیع های پسین است. همچنین علاقه فزاینده ای به استفاده از سیستم R برای تحلیل های آماری وجود دارد. ماهیت منبع باز R، در دسترس بودن رایگان، و تعداد زیادی بسته های مشارکت کننده، R را به نرم افزار انتخابی برای بسیاری از آماردانان در آموزش و صنعت تبدیل کرده است.

محاسبات بیزی با R مدل سازی بیزی را با استفاده از محاسبات با استفاده از محاسبات معرفی می کند. زبان R. فصول اولیه اصول اساسی تفکر بیزی را با استفاده از مسائل استنتاجی آشنای یک و دو پارامتری ارائه می کند. روش‌های محاسباتی بیزی مانند روش لاپلاس، نمونه‌گیری رد و الگوریتم SIR در چارچوب یک مدل اثرات تصادفی نشان داده شده‌اند. ساخت و اجرای روش های مونت کارلو زنجیره مارکوف (MCMC) معرفی شده است. این الگوریتم‌های مبتنی بر شبیه‌سازی برای انواع کاربردهای بیزی مانند رگرسیون پاسخ عادی و باینری، مدل‌سازی سلسله مراتبی، استنتاج محدود به ترتیب و مدل‌سازی قوی پیاده‌سازی می‌شوند. الگوریتم های نوشته شده در R برای توسعه تست های بیزی و ارزیابی مدل های بیزی با استفاده از توزیع پیش بینی پسین استفاده می شود. استفاده از R برای رابط با WinBUGS، یک زبان محاسباتی محبوب MCMC، با چندین مثال توضیح داده شده است.

این کتاب یک کتاب همراه مناسب برای دوره مقدماتی روش‌های بیزی است و برای متخصصان آمار ارزشمند است. که مایل است در مورد زبان R و روش بیزی بیشتر بیاموزد. بسته LearnBayes که توسط نویسنده نوشته شده است و در وب سایت CRAN در دسترس است، شامل تمام توابع R است که در کتاب توضیح داده شده است.

ویرایش دوم حاوی چندین موضوع جدید مانند استفاده از مخلوط‌های پیشین مزدوج و استفاده از پیشین های g زلنر برای انتخاب بین مدل ها در رگرسیون خطی. تصاویر بیشتری از ساخت توزیع‌های قبلی اطلاعاتی، مانند استفاده از پیشین‌های میانگین شرطی و پیشین‌های عادی چند متغیره در رگرسیون‌های باینری وجود دارد. نسخه جدید شامل تغییراتی در تصاویر کد R مطابق با آخرین نسخه بسته LearnBayes است.

جیم آلبرت استاد آمار در دانشگاه ایالتی بولینگ گرین است. او عضو انجمن آمار آمریکا و سردبیر قبلی آمار آمریکایی است. کتاب‌های او عبارتند از مدل‌سازی داده‌های ترتیبی (با وال جانسون)، آمار کارگاهی: کشف با داده، رویکرد بیزی (با آلن راسمن)، و محاسبات بیزی با استفاده از Minitab. .

There has been a dramatic growth in the development and application of Bayesian inferential methods. Some of this growth is due to the availability of powerful simulation-based algorithms to summarize posterior distributions. There has been also a growing interest in the use of the system R for statistical analyses. R's open source nature, free availability, and large number of contributor packages have made R the software of choice for many statisticians in education and industry.

Bayesian Computation with R introduces Bayesian modeling by the use of computation using the R language. The early chapters present the basic tenets of Bayesian thinking by use of familiar one and two-parameter inferential problems. Bayesian computational methods such as Laplace's method, rejection sampling, and the SIR algorithm are illustrated in the context of a random effects model. The construction and implementation of Markov Chain Monte Carlo (MCMC) methods is introduced. These simulation-based algorithms are implemented for a variety of Bayesian applications such as normal and binary response regression, hierarchical modeling, order-restricted inference, and robust modeling. Algorithms written in R are used to develop Bayesian tests and assess Bayesian models by use of the posterior predictive distribution. The use of R to interface with WinBUGS, a popular MCMC computing language, is described with several illustrative examples.

This book is a suitable companion book for an introductory course on Bayesian methods and is valuable to the statistical practitioner who wishes to learn more about the R language and Bayesian methodology. The LearnBayes package, written by the author and available from the CRAN website, contains all of the R functions described in the book.

The second edition contains several new topics such as the use of mixtures of conjugate priors and the use of Zellner’s g priors to choose between models in linear regression. There are more illustrations of the construction of informative prior distributions, such as the use of conditional means priors and multivariate normal priors in binary regressions. The new edition contains changes in the R code illustrations according to the latest edition of the LearnBayes package.

Jim Albert is Professor of Statistics at Bowling Green State University. He is Fellow of the American Statistical Association and is past editor of The American Statistician. His books include Ordinal Data Modeling (with Val Johnson), Workshop Statistics: Discovery with Data, A Bayesian Approach (with Allan Rossman), and Bayesian Computation using Minitab.