Bayesian Data Analysis

ویرایش: [3rd edition] 
نویسندگان: Carlin. John B., Dunson. David B., Gelman. Andrew, Rubin. Donald B., Stern. Hal S., Vehtari. Aki  
سری: Chapman & Hall; EBL-Schweitzer 
ISBN (شابک) : 9781439898208, 1439898200 
ناشر: CRC Press 
سال نشر: 2013 
تعداد صفحات: 656 Seiten
[656] 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 12 Mb 

قیمت کتاب (تومان) : 45,000

پوشش دادن؛ سلسله؛ فهرست؛ پیشگفتار؛ بخش اول: مبانی استنتاج بیزی. فصل 1: احتمال و استنتاج; فصل 2: ​​مدل های تک پارامتری. فصل 3: مقدمه ای بر مدل های چند پارامتری. فصل 4: مجانبی و ارتباط با رویکردهای غیر بیزی. فصل پنجم: مدل های سلسله مراتبی; بخش دوم: مبانی تجزیه و تحلیل داده های بیزی. فصل 6: بررسی مدل. فصل 7: ارزیابی، مقایسه و بسط مدل ها. فصل 8: مدل سازی حسابداری برای جمع آوری داده ها. فصل 9: تجزیه و تحلیل تصمیم. بخش سوم: محاسبات پیشرفته. فصل 10: مقدمه‌ای بر محاسبات بیزی.

فصل 11: مبانی شبیه‌سازی زنجیره مارکوف فصل 12: شبیه‌سازی زنجیره مارکوف از نظر محاسباتی کارآمد. فصل 13: تقریب های مودال و توزیعی. بخش چهارم: مدل های رگرسیون. فصل چهاردهم: مقدمه ای بر مدل های رگرسیون; فصل 15: مدل های خطی سلسله مراتبی. فصل 16: مدل های خطی تعمیم یافته. فصل 17: مدل‌هایی برای استنتاج قوی. فصل 18: مدل هایی برای داده های از دست رفته. بخش پنجم: مدل‌های غیرخطی و ناپارامتریک. فصل 19: مدل های غیر خطی پارامتریک. فصل 20: مدل های تابع پایه; فصل 21: مدل‌های فرآیند گاوسی. فصل 22: مدل‌های مخلوط محدود.

فصل 23: مدل‌های فرآیند دیریکله پیوست A: توزیع‌های احتمال استاندارد. ضمیمه B: طرح کلی براهین قضایای حدی. ضمیمه C: محاسبات در R و Stan. منابع؛ پوشش پشتی. مبانی محاسباتی شبیه‌سازی زنجیره مارکوف از لحاظ محاسباتی کارآمد شبیه‌سازی زنجیره مارکوف مدل‌های رگرسیون مقدمه‌ای بر مدل‌های رگرسیون خطی سلسله مراتبی.

Cover; Series; Contents; Preface; Part I: Fundamentals of Bayesian Inference; Chapter 1: Probability and Inference; Chapter 2: Single-parameter Models; Chapter 3: Introduction to Multiparameter Models; Chapter 4: Asymptotics and Connections to non-Bayesian Approaches; Chapter 5: Hierarchical Models; Part II: Fundamentals of Bayesian Data Analysis; Chapter 6: Model Checking; Chapter 7: Evaluating, Comparing, and Expanding Models; Chapter 8: Modeling Accounting for Data Collection; Chapter 9: Decision Analysis; Part III: Advanced Computation; Chapter 10: Introduction to Bayesian Computation.

Chapter 11: Basics of Markov Chain SimulationChapter 12: Computationally Efficient Markov Chain Simulation; Chapter 13: Modal and Distributional Approximations; Part IV: Regression Models; Chapter 14: Introduction to Regression Models; Chapter 15: Hierarchical Linear Models; Chapter 16: Generalized Linear Models; Chapter 17: Models for Robust Inference; Chapter 18: Models for Missing Data; Part V: Nonlinear and Nonparametric Models; Chapter 19: Parametric Nonlinear Models; Chapter 20: Basis Function Models; Chapter 21: Gaussian Process Models; Chapter 22: Finite Mixture Models.

Chapter 23: Dirichlet Process ModelsAppendix A: Standard Probability Distributions; Appendix B: Outline of Proofs of Limit Theorems; Appendix C: Computation in R and Stan; References; Back Cover.

FUNDAMENTALS OF BAYESIAN INFERENCEProbability and InferenceSingle-Parameter Models Introduction to Multiparameter Models Asymptotics and Connections to Non-Bayesian ApproachesHierarchical ModelsFUNDAMENTALS OF BAYESIAN DATA ANALYSISModel Checking Evaluating, Comparing, and Expanding ModelsModeling Accounting for Data Collection Decision AnalysisADVANCED COMPUTATION Introduction to Bayesian Computation Basics of Markov Chain Simulation Computationally Efficient Markov Chain Simulation Modal and Distributional ApproximationsREGRESSION MODELS Introduction to Regression Models Hierarchical Linear.

Fundamentals of Bayesian Inference. Fundamentals of Bayesian Data Analysis. Advanced Computation. Regression Models. Nonlinear and Nonparametric Models. Appendices.