掃一掃
關(guān)注中圖網(wǎng)
官方微博
包郵 貝葉斯統(tǒng)計(jì)方法-R和SUGS軟件數(shù)據(jù)分析示例-(影印版)
作者：(美)約翰K.克魯斯克
開(kāi)本：
16開(kāi)
頁(yè)數(shù)：
653
本類榜單：教材銷量榜
本類五星書(shū)更多>
-
>
闖進(jìn)數(shù)學(xué)世界――探秘歷史名題
-
>
中醫(yī)基礎(chǔ)理論
-
>
當(dāng)代中國(guó)政府與政治(新編21世紀(jì)公共管理系列教材)
-
>
高校軍事課教程
-
>
思想道德與法治(2021年版)
-
>
毛澤東思想和中國(guó)特色社會(huì)主義理論體系概論(2021年版)
-
>
中醫(yī)內(nèi)科學(xué)·全國(guó)中醫(yī)藥行業(yè)高等教育“十四五”規(guī)劃教材
買過(guò)本商品的人還買了
中圖價(jià):¥68.6
加入購(gòu)物車
貝葉斯統(tǒng)計(jì)方法-R和SUGS軟件數(shù)據(jù)分析示例-(影印版) 版權(quán)信息
- ISBN：9787111504467
- 條形碼：9787111504467 ; 978-7-111-50446-7
- 裝幀：一般銅版紙
- 冊(cè)數(shù)：暫無(wú)
- 重量：暫無(wú)
- 所屬分類：>>
貝葉斯統(tǒng)計(jì)方法-R和SUGS軟件數(shù)據(jù)分析示例-(影印版) 本書(shū)特色
作者從概率統(tǒng)計(jì)和編程兩方面入手，由淺入深地指導(dǎo)讀者如何對(duì)實(shí)際數(shù)據(jù)進(jìn)行貝葉斯分析。全書(shū)分成三部分，**部分為基礎(chǔ)篇：關(guān)于參數(shù)、概率、貝葉斯法則及r軟件，第二部分為二元比例推斷的基本理論，第三部分為廣義線性模型。內(nèi)容包括貝葉斯統(tǒng)計(jì)的基本理論、實(shí)驗(yàn)設(shè)計(jì)的有關(guān)知識(shí)、以層次模型和mcmc為代表的復(fù)雜方法等。同時(shí)覆蓋所有需要用到非貝葉斯方法的情況，其中包括：t檢驗(yàn)，方差分析（anova）和anova中的多重比較法，多元線性回歸，logistic回歸，序列回歸和卡方（列聯(lián)表）分析。針對(duì)不同的學(xué)習(xí)目標(biāo)（如r、bugs等）列出了相應(yīng)的重點(diǎn)章節(jié)；整理出貝葉斯統(tǒng)計(jì)中某些與傳統(tǒng)統(tǒng)計(jì)學(xué)可作類比的內(nèi)容，方便讀者快速學(xué)習(xí)。本中提出的方法都是可操作的，并且所有涉及數(shù)學(xué)理論的地方都已經(jīng)用實(shí)際例子非常直觀地進(jìn)行了解釋。由于并不對(duì)讀者的統(tǒng)計(jì)或編程基礎(chǔ)有較高的要求，因此本書(shū)非常適合社會(huì)學(xué)或生物學(xué)研究者入門(mén)參考，同時(shí)也可作為相關(guān)科研人員的參考書(shū)。
貝葉斯統(tǒng)計(jì)方法-R和SUGS軟件數(shù)據(jù)分析示例-(影印版) 內(nèi)容簡(jiǎn)介
專家推薦 “我想本書(shū)將填補(bǔ)目前的一個(gè)空白，隨著研究人員和學(xué)生轉(zhuǎn)向貝葉斯統(tǒng)計(jì)方法的常規(guī)應(yīng)用，這本書(shū)也將能夠打 開(kāi)自己的市場(chǎng)。” ——michaellee教授，數(shù)學(xué)心理學(xué)會(huì)會(huì)長(zhǎng)，加利福尼亞大學(xué)爾灣分校 “johnk.kruschke寫(xiě)了一本關(guān)于統(tǒng)計(jì)的書(shū)，這本書(shū)優(yōu)于其他作品之處在于其文體簡(jiǎn)明，這本書(shū)優(yōu)于其他作品的另一個(gè)原因是它是關(guān)于貝葉斯統(tǒng)計(jì)的，究其原因，它真的很令吃驚！”——jamesl.(jay)mcclelland，心理學(xué)院院長(zhǎng)&露西·斯特恩講席教授，斯坦福大學(xué) 書(shū)籍特色 ★本書(shū)提供了r編程語(yǔ)言和bugs軟件（都是免費(fèi)軟件）的完整案例，并從基礎(chǔ)編程案例講起，逐漸將難度提升到復(fù)雜數(shù)據(jù)和演示圖形的完整程序。這些模板都可以根據(jù)不同的學(xué)生和不同的研究需要做調(diào)整。 ★全面覆蓋所有分析情況需要用到非貝葉斯方法：t-檢驗(yàn)，方差分析（anova）和anova中的多重比較法，多元線性回歸，logistic回歸，序列回歸和卡方（列聯(lián)表分析。涉及的研究設(shè)計(jì)包括貝葉斯勢(shì)分析和樣本容量規(guī)劃。
貝葉斯統(tǒng)計(jì)方法-R和SUGS軟件數(shù)據(jù)分析示例-(影印版) 目錄
貝葉斯統(tǒng)計(jì)方法
r和bugs軟件數(shù)據(jù)分析示例
（影印版）
第1章 關(guān)于本書(shū)
1.1 目標(biāo)讀者
1.2 預(yù)備知識(shí)
1.3 本書(shū)結(jié)構(gòu)
1.3.1 重點(diǎn)章節(jié)
1.3.2 與貝葉斯方法對(duì)應(yīng)的傳統(tǒng)檢驗(yàn)方法
1.4 期待反饋
1.5 致謝
第1部分 基礎(chǔ)篇：關(guān)于參數(shù)、概率、貝葉斯法則及r軟件
第2章 我們所信的模型
2.1 觀測(cè)模型與信念模型
2.1.1 先驗(yàn)信念與后驗(yàn)信念
2.2 統(tǒng)計(jì)推斷的三個(gè)目標(biāo)
2.2.1 參數(shù)估計(jì)
2.2.2 數(shù)值預(yù)測(cè)
2.2.3 模型比較
2.3 r編程基礎(chǔ)
2.3.1 軟件的獲取和安裝
2.3.2 激活r和命令行使用
2.3.3 應(yīng)用實(shí)例
2.3.4 獲取幫助
2.3.5 編程
2.4 練習(xí)
第3章 概率究竟是什么？
3.1 所有可能事件的集合
3.1.1 拋硬幣實(shí)驗(yàn)
3.2 概率：意識(shí)內(nèi)外
3.2.1 意識(shí)之外：長(zhǎng)期相對(duì)頻率
3.2.2 意識(shí)以內(nèi)：主觀信念
3.2.3 概率：量化可能性
3.3 概率分布
3.3.1 離散分布：概率質(zhì)量
3.3.2 連續(xù)分布：密度初探
3.3.3 分布的均值與方差
3.3.4 反映信念不確定性的方差
3.3.5 *高密度區(qū)間（hdi）
3.4 雙變量聯(lián)合分布
3.4.1 邊際概率
3.4.2 條件概率
3.4.3 獨(dú)立事件
3.5 r代碼
3.5.1圖3.1的r代碼
3.5.2 圖3.3的r代碼
3.6 練習(xí)
第4章 貝葉斯公式
4.1 貝葉斯公式簡(jiǎn)介
4.1.1 從條件概率的定義導(dǎo)出
4.1.2 受雙因素表的啟發(fā)
4.1.3 連續(xù)情形下的積分表達(dá)
4.2 在模型和數(shù)據(jù)中的應(yīng)用
4.2.1 數(shù)據(jù)的順序不變性
4.2.2一個(gè)例子：拋硬幣
4.3 推斷的三個(gè)目標(biāo)
4.3.1 參數(shù)估計(jì)
4.3.2 數(shù)值預(yù)測(cè)
4.3.3 模型比較
4.3.4 為什么貝葉斯推斷是困難的
4.3.5 貝葉斯推斷在日常生活中的應(yīng)用
4.4 r代碼
4.4.1圖4.1的r代碼
4.5 練習(xí)
第2部分 用于二元比例推斷的基本理論
第5章 二元比例推斷的精確數(shù)學(xué)分析方法
5.1 伯努利分布的似然函數(shù)
5.2 貝塔分布簡(jiǎn)介
5.2.1 先驗(yàn)貝塔分布
5.2.2 后驗(yàn)貝塔分布
5.3 推斷的三個(gè)目標(biāo)
5.3.1 二元比例的估計(jì)
5.3.2 預(yù)測(cè)數(shù)據(jù)
5.3.3 模型比較
5.4 總結(jié)：如何做貝葉斯推斷
5.5 r代碼
5.5.1 圖5.2的r代碼
5.6 練習(xí)
第6章 二元比例推斷的格點(diǎn)估計(jì)法
6.1 θ取值離散時(shí)的貝葉斯準(zhǔn)則
6.2 連續(xù)先驗(yàn)密度的離散化
6.2.1 離散化先驗(yàn)密度的例子
6.3 估計(jì)
6.4 序貫數(shù)據(jù)的預(yù)測(cè)
6.5 模型比較
6.6 總結(jié)
6.7 r代碼
6.7.1 圖6.2及類似圖形的r代碼
6.8 練習(xí)
第7章 二元比例推斷的metropolis算法
7.1 metropolis算法的簡(jiǎn)單例子
7.1.1 政治家巧遇metropolis算法
7.1.2 隨機(jī)游走
7.1.3 隨機(jī)游走的性質(zhì)
7.1.4 為什么關(guān)注隨機(jī)游走
7.1.5 metropolis算法是如何起作用的
7.2 metropolis算法的詳細(xì)介紹
7.2.1 預(yù)燒、效率和收斂
7.2.2 術(shù)語(yǔ)：馬爾可夫鏈蒙特卡羅方法
7.3 從抽樣后驗(yàn)分布到推斷的三個(gè)目標(biāo)
7.3.1 估計(jì)
7.3.2 預(yù)測(cè)
7.3.3 模型比較：p(d)的估計(jì)
7.4 bugs的mcmc
7.4.1 用bugs估計(jì)參數(shù)
7.4.2 用bugs預(yù)測(cè)
7.4.3 用bugs進(jìn)行模型比較
7.5 結(jié)論
7.6 r代碼
7.6.1 作者編寫(xiě)的metropolis算法的r代碼
7.7 練習(xí)
第8章 使用gibbs抽樣推斷兩個(gè)二元比例
8.1 兩個(gè)比例的先驗(yàn)、似然和后驗(yàn)
8.2 后驗(yàn)分布的精確表達(dá)
8.3 使用格點(diǎn)估計(jì)近似后驗(yàn)分布
8.4 使用mcmc推斷后驗(yàn)分布
8.4.1 metropolis算法
8.4.2 gibbs抽樣
8.5 bugs實(shí)現(xiàn)
8.5.1 在bugs中抽樣獲取先驗(yàn)分布
8.6 潛在偏差有何差異？
8.7 總結(jié)
8.8 r代碼
8.8.1 格點(diǎn)估計(jì)的r代碼（圖8.1和圖8.2）
8.8.2 metropolis抽樣的r代碼（圖8.3）
8.8.3 bugs抽樣的r代碼（圖8.6）
8.8.4 畫(huà)后驗(yàn)直方圖的r代碼
8.9 練習(xí)
第9章 多層先驗(yàn)下的伯努利似然
9.1 單個(gè)鑄幣廠生產(chǎn)的單枚硬幣
9.1.1 通過(guò)網(wǎng)格近似得到后驗(yàn)估計(jì)1
9.2 單個(gè)鑄幣廠生產(chǎn)的多枚硬幣
9.2.1 通過(guò)網(wǎng)格近似得到后驗(yàn)估計(jì)2
9.2.2 通過(guò)蒙特卡羅抽樣得到后驗(yàn)估計(jì)
9.2.3 單枚鑄幣估計(jì)的離群和收縮
9.2.4 案例研究：觸摸治療
9.2.5 硬幣數(shù)量及每枚硬幣的拋擲次數(shù)
9.3 多個(gè)鑄幣廠生產(chǎn)的多枚硬幣
9.3.1 獨(dú)立鑄幣廠
9.3.2 非獨(dú)立鑄幣廠
9.3.3 個(gè)體間差異及meta分析
9.4 總結(jié)
9.5 r代碼
9.5.1 觸摸治療實(shí)驗(yàn)的分析代碼
9.5.2 過(guò)濾冷凝實(shí)驗(yàn)的分析代碼
9.6 練習(xí)
第10章 分層建模和模型比較
10.1 多層模型的模型比較
10.2 bugs中的模型比較
10.2.1 一個(gè)簡(jiǎn)單的例子
10.2.2 帶有偽先驗(yàn)的真實(shí)例子
10.2.3 在使用帶有偽先驗(yàn)的跨維度mcmc時(shí)的一些建議
10.3 嵌套模型的模型比較
10.4 模型比較的分層框架回顧
10.4.1 mcmc模型比較的比較方法
10.4.2 總結(jié)和警告
10.5 練習(xí)
第11章 原假設(shè)顯著性檢驗(yàn)（nhst）
11.1硬幣是否均勻的nhst
11.1.1 固定n的情況
11.1.2 固定z的情況
11.1.3 自我反省
11.1.4 貝葉斯分析
11.2 關(guān)于硬幣的先驗(yàn)信息
11.2.1 nhst分析
11.2.2 貝葉斯分析
11.3 置信區(qū)間和*高密度區(qū)間（hdi）
11.3.1 nhst置信區(qū)間
11.3.2 貝葉斯hdi
11.4 多重假設(shè)
11.4.1 對(duì)實(shí)驗(yàn)誤差的nhst修正
11.4.2 唯一的貝葉斯后驗(yàn)結(jié)論
11.4.3 貝葉斯分析如何減少誤報(bào)
11.5 怎樣的抽樣分布才是好的
11.5.1 確定實(shí)驗(yàn)方案
11.5.2 探索模型預(yù)測(cè)（后驗(yàn)預(yù)測(cè)校驗(yàn)）
11.6 練習(xí)
第12章 單點(diǎn)檢驗(yàn)的貝葉斯方法
12.1 單一先驗(yàn)的估計(jì)方法
12.1.1 參數(shù)的原假設(shè)值是否在可信范圍內(nèi)？
12.1.2 差異的原假設(shè)值是否在可信范圍內(nèi)？
12.1.3 實(shí)際等效區(qū)域（rope）
12.2 兩個(gè)模型的先驗(yàn)比較方法
12.2.1 兩枚硬幣的均勻性是否相同？
12.2.2 不同組之間是否有差異？
12.3 模型比較的估計(jì)
12.3.1 原假設(shè)值為真的概率是多少？
12.3.2 建議
12.4 r代碼
12.4.1 圖12.5的r代碼
12.5 練習(xí)
第13章 目標(biāo)、勢(shì)和樣本量
13.1 勢(shì)的相關(guān)內(nèi)容
13.1.1 目標(biāo)和障礙
13.1.2 勢(shì)
13.1.3 樣本量
13.1.4 目標(biāo)的其他表現(xiàn)形式
13.2 一枚硬幣的樣本量
13.2.1 以否定原假設(shè)值為目的
13.2.2 以精確為目的
13.3 檢驗(yàn)多家鑄幣廠的樣本量
13.4 勢(shì)：預(yù)期、回顧和重復(fù)
13.4.1 勢(shì)分析需要逼真的模擬數(shù)據(jù)
13.5 計(jì)劃的重要性
13.6 r代碼
13.6.1 一枚硬幣的樣本量
13.6.2 檢驗(yàn)多家鑄幣廠的勢(shì)和樣本量
13.7 練習(xí)
第3部分 廣義線性模型的應(yīng)用
第14章 廣義線性模型概述
14.1 廣義線性模型（glm）
14.1.1 預(yù)測(cè)變量和響應(yīng)變量
14.1.2 變量尺度類型：定量、順序和名義
14.1.3 一元線性回歸
14.1.4 多元線性回歸
14.1.5 預(yù)測(cè)變量的非線性交互作用
14.1.6 名義型預(yù)測(cè)變量
14.1.7 鏈接函數(shù)
14.1.8 概率預(yù)測(cè)
14.1.9 glm的正則表達(dá)
14.1.10 兩個(gè)或多個(gè)名義型變量預(yù)測(cè)頻率
14.2 glm的案例
14.3 練習(xí)
第15章 單總體的參數(shù)估計(jì)
15.1 通過(guò)正態(tài)似然估計(jì)總體均值和標(biāo)準(zhǔn)差
15.1.1 數(shù)學(xué)分析解法
15.1.2 在bugs軟件中應(yīng)用馬爾可夫鏈蒙特卡羅方法逼近
15.1.3 離群點(diǎn)和穩(wěn)健估計(jì)方法：t分布
15.1.4 當(dāng)數(shù)據(jù)非正態(tài)時(shí)：變換
15.2 重復(fù)測(cè)量和個(gè)體差異
15.2.1 分層模型
15.2.2 在bugs軟件中實(shí)現(xiàn)
15.3 總結(jié)
15.4 r代碼
15.4.1通過(guò)正態(tài)似然估計(jì)總體均值和標(biāo)準(zhǔn)差
15.4.2 重復(fù)測(cè)量
15.5 練習(xí)
第16章 一元回歸
16.1 簡(jiǎn)單線性回歸
16.1.1 分層模型和bugs代碼
16.1.2 斜率的后驗(yàn)分布
16.1.3 后驗(yàn)概率預(yù)測(cè)
16.2 離群點(diǎn)和穩(wěn)健回歸方法
16.3 簡(jiǎn)單線性回歸的重復(fù)測(cè)量
16.4 總結(jié)
16.5 r代碼
16.5.1 生成身高和體重的數(shù)據(jù)
16.5.2 brugs：穩(wěn)健線性回歸
16.5.3 brugs：簡(jiǎn)單線性回歸的重復(fù)測(cè)量
16.6 練習(xí)
第17章 多元回歸
17.1 多元線性回歸
17.1.1 相關(guān)預(yù)測(cè)變量的影響
17.1.2 模型和bugs程序
17.1.3 斜率的后驗(yàn)分布
17.1.4 后驗(yàn)概率預(yù)測(cè)
17.2 超先驗(yàn)信息和回歸系數(shù)的收縮
17.2.1 先驗(yàn)信息、稀疏數(shù)據(jù)和相關(guān)預(yù)測(cè)變量
17.3 定量預(yù)測(cè)變量的交互作用
17.3.1 分層模型和bugs代碼
17.3.2 解釋后驗(yàn)信息
17.4 預(yù)測(cè)變量選擇
17.5 r代碼
17.5.1 多元線性回歸
17.5.2 系數(shù)具有超先驗(yàn)信息的多元線性回歸
17.6 練習(xí)
第18章 單因素方差分析
18.1 貝葉斯單因素方差分析
18.1.1 分層先驗(yàn)信息
18.1.2 在r軟件和bugs軟件中實(shí)現(xiàn)
18.1.3 一個(gè)案例
18.2 多重比較
18.3 兩總體的貝葉斯方差分析和顯著性t檢驗(yàn)
18.4 r代碼
18.4.1 貝葉斯單因素方差分析
18.5 練習(xí)
第19章 定量因變量與多元定性預(yù)測(cè)變量
19.1 貝葉斯多元方差分析
19.1.1 定性預(yù)測(cè)變量的相互作用
19.1.2 分層次的先驗(yàn)分布
19.1.3 r軟件和bugs軟件中的一個(gè)例子
19.1.4 后驗(yàn)結(jié)果的解釋
19.1.5 無(wú)相互作用性，數(shù)據(jù)變換，方差一致性
19.2 重復(fù)測(cè)量受測(cè)者內(nèi)設(shè)計(jì)
19.2.1 為什么要使用受測(cè)者內(nèi)設(shè)計(jì)，為什么不使用？
19.3 r代碼
19.3.1 貝葉斯兩因素的方差分析
19.4 練習(xí)
第20章 二分類因變量
20.1 logistic回歸
20.1.1 模型
20.1.2 在r軟件和bugs軟件中實(shí)現(xiàn)
20.1.3后驗(yàn)結(jié)果的解釋
20.1.4 預(yù)測(cè)變量相關(guān)性對(duì)模型的影響
20.1.5 數(shù)據(jù)不平衡性
20.1.6 回歸系數(shù)的超先驗(yàn)分布
20.2 logistic回歸模型預(yù)測(cè)變量的相互作用
20.3logistic方差模型
20.3.1 受測(cè)者內(nèi)設(shè)計(jì)
20.4 總結(jié)
20.5 r代碼
20.5.1 logistic回歸模型代碼
20.5.2 logistic方差模型代碼
20.6練習(xí)
第21章 定序因變量建模
21.1 定序probit回歸模型
21.1.1 數(shù)據(jù)的結(jié)構(gòu)
21.1.2 定量x與定序y的映射
21.1.3模型參數(shù)與其先驗(yàn)分布
21.1.4 mcmc效率的標(biāo)準(zhǔn)化
21.1.5 后驗(yàn)結(jié)果的預(yù)測(cè)
21.2 一些例子
21.2.1 為什么一些閾值會(huì)超出數(shù)據(jù)范圍
21.3 預(yù)測(cè)變量相互作用
21.4 線性回歸與logistic回歸模型的關(guān)系
21.5 r代碼
21.6練習(xí)
第22章 列聯(lián)表分析
22.1 泊松指數(shù)方差模型
22.1.1 數(shù)據(jù)是什么？
22.1.2 指數(shù)鏈接函數(shù)
22.1.3泊松似然
22.1.4 模型參數(shù)與其分層先驗(yàn)分布
22.2 一些例子
22.2.1 網(wǎng)格概率的置信區(qū)間
22.3 列聯(lián)表對(duì)數(shù)線性模型
22.4 泊松指數(shù)模型r代碼
22.5練習(xí)
第23章 補(bǔ)充主題
23.1 貝葉斯分析報(bào)告
23.1.1 關(guān)鍵元素
23.1.2 可選內(nèi)容
23.1.3 其他要點(diǎn)
23.2 mcmc的加厚和稀化
23.3.估計(jì)*高密度區(qū)間函數(shù)
23.3.1 r代碼：格點(diǎn)估計(jì)hdi的計(jì)算
23.3.2 r代碼：mcmc抽樣hdi的計(jì)算
23.3.3 r代碼：函數(shù)hdi的計(jì)算
23.4 概率分布的重新參數(shù)化
23.4.1 示例
23.4.2 兩參數(shù)的重新參數(shù)化
參考文獻(xiàn)
索引
展開(kāi)全部
貝葉斯統(tǒng)計(jì)方法-R和SUGS軟件數(shù)據(jù)分析示例-(影印版) 作者簡(jiǎn)介
[美]約翰 K.克魯斯克（John K.kruschke） 印第安納大學(xué)心理學(xué)以及腦科學(xué)教授 ，統(tǒng)計(jì)學(xué)教授 ，認(rèn)知科學(xué)領(lǐng)域的核心成員。本書(shū)作者獲得過(guò)5次印第安納大學(xué)卓越教學(xué)獎(jiǎng)（Teaching Excellence Recognition Awards from Indiana University）和1次國(guó)家科學(xué)院托蘭研究獎(jiǎng)（Troland Research Award）。
書(shū)友推薦
- >
中國(guó)人在烏蘇里邊疆區(qū):歷史與人類學(xué)概述
- >
名家?guī)阕x魯迅:朝花夕拾
- >
龍榆生：詞曲概論/大家小書(shū)
- >
有舍有得是人生
- >
苦雨齋序跋文-周作人自編集
- >
月亮與六便士
- >
煙與鏡
- >
經(jīng)典常談
本類暢銷
