贝叶斯数据分析 第3版

图书标准信息

• 作者 [美]Andrew Gelman
• 出版社 世界图书出版公司
• 出版时间 2020-06
• 版次 1
• ISBN 9787519261818
• 定价 169.00元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸
• 页数 682页

【内容简介】

这本书获得了2016年德格鲁特奖（De Groot Prize），两年一次的统计教科书奖。
  这是第三版，这部教材已经相当经典了。是一部被广泛认可的关于贝叶斯方法的*领先的读本，因为其易于理解、分析数据和解决研究问题的实际操作性强而广受赞誉。贝叶斯数据分析，第三版应用的贝叶斯方法，继续采用实用的方法来分析数据。作者均是统计界的领导人物，在呈现更高等的方法之前，从数据分析的观点引进基本概念。整本书从始至终，从实际应用和研究中提取的大量的练习实例强调了贝叶斯推理在实践中的应用。
  目次：
  读者对象：数学、统计专业的高年级本科生研究生以及相关从业人员

【作者简介】

Andrew Gelman是哥伦比亚大学统计学院的教授，应用统计学中心主任。他曾获得美国统计协会颁发的杰出统计应用奖、《美国政治科学评论》发表的很好文章奖，以及统计学会主席理事会颁发的40岁以下人士杰出贡献奖。他的著作包括贝叶斯数据分析（与约翰•卡林、哈尔•斯特恩、大卫•邓森、阿基•维塔里和唐•鲁宾合著）、教学统计学等。

【目录】

Preface

Part I： Fundamentals of Bayesian Inference

1 Probability and inference

I.I The three steps of Bayesian data analysis

1.2 General notation for statistical inference

1.3 Bayesian inference

1.4 Discrete examples： genetics and spell checking

1.5 Probability as a measure of uncertainty

1.6 Example： probabilities from football point spreads

1.7 Example： calibration for record linkage

1.8 Some useful results from probability theory

1.9 Computation and software

I.I0 Bayesian inference in applied statistics

i.Ii Bibliographic note

1.12 Exercises

2 Single-parameter models

2.1 Estimating a probability from binomial data

2.2 Posterior as compromise between data and prior information

2.3 Summarizing posterior inference

2.4 Informative prior distributions

2.5 Normal distribution with known variance

2.6 Other standard single-parameter models

2.7 Example： informative prior distribution for cancer rates

2.8 Noninformative prior distributions

2.9 Weakly informative prior distributions

2.10 Bibliographic note

2.11 Exercises

3 Introduction to multiparameter models

3.1 Averaging over nuisance parameters

3.2 Normal data with a noninformative prior distribution

3.3 Normal data with a conjugate prior distribution

3.4 Multinomial model for categorical data

3.5 Multivariate normal model with known variance

3.6 Multivariate normal with unknown mean and variance

3.7 Example： analysis of a bioassay experiment

3.8 Summary of elementary modeling and computation

3.9 Bibliographic note

3.10 Exercises

4 Asymptotics and connections to non-Bayesian approaches

4.1 Normal approximations to the posterior distribution

4.2 Large-sample theory

4.3 Counterexamples to the theorems

4.4 Frequency evaluations of Bayesian inferences

4.5 Bayesian interpretations of other statistical methods

4.6 Bibliographic note

4.7 Exercises

5 Hierarchical models

5.1 Constructing a parameterized prior distribution

5.2 Exchangeability and hierarchical models

5.3 Bayesian analysis of conjugate hierarchical models

5.4 Normal model with exchangeable parameters

5.5 Example： parallel experiments in eight schools

5.6 Hierarchical modeling applied to a meta-analysis

5.7 Weakly informative priors for variance parameters

5.8 Bibliographic note

5.9 Exercises

Part II： Fundamentals of Bayesian Data Analysis

6 Model checking

6.1 The place of model checking in applied Bayesian statistics

6.2 Do the inferences from the model make sense?

6.3 Posterior predictive checking

6.4 Graphical posterior predictive checks

6.5 Model checking for the educational testing example

6.6 Bibliographic note

6.7 Exercises

? Evaluating， comparing， and expanding models

7.1 Measures of predictive accuracy

7.2 Information criteria and cross-validation

7.3 Model comparison based on predictive performance

7.4 Model comparison using Bayes factors

7.5 Continuous model expansion

7.6 Implicit assumptions and model expansion： an example

7.7 Bibliographic note

7.8 Exercises

8 Modeling accounting for data collection

8.1 Bayesian inference requires a model for data collection

8.2 Data-collection models and ignorability

8.3 Sample surveys

8.4 Designed experiments

8.5 Sensitivity and the role of randomization

8.6 Observational studies

8.7 Censoring and truncation

8.8 Discussion

8.9 Bibliographic note

8.10 Exercises

9 Decision analysis

9.1 Bayesian decision theory in different contexts

9.2 Using regression predictions： survey incentives

9.3 Multistage decision making： medical screening

9.4 Hierarchical decision analysis for home radon

9.5 Personal vs. institutional decision analysis

9.6 Bibliographic note

9.7 Exercises

Part III： Advanced Computation

10 Introduction to Bayesian computation

10.1 Numerical integration

10.2 Distributional approximations

10.3 Direct simulation and rejection sampling

10.4 Importance sampling

10.5 How many simulation draws are needed?

10.6 Computing environments

10.7 Debugging Bayesian computing

10.8 Bibliographic note

10.9 Exercises

11 Basics of Markov chain simulation

11.1 Gibbs sampler

11.2 Metropolis and Metropolis-Hastings algorithms

11.3 Using Gibbs and Metropolis as building blocks

11.4 Inference and assessing convergence

11.5 Effective number of simulation draws

11.6 Example： hierarchical normal model

11.7 Bibliographic note

11.8 Exercises

12 Computationally efficient Markov chain simulation

12.1 Efficient Gibbs samplers

12.2 Efficient Metropolis jumping rules

12.3 Further extensions to Gibbs and Metropolis

12.4 Hamiltonian Monte Carlo

12.5 Hamiltonian Monte Carlo for a hierarchical model

12.6 Stan： developing a computing environment

12.7 Bibliographic note

12.8 Exercises

13 Modal and distributional approximations

13.1 Finding posterior modes

13.2 Boundary-avoiding priors for modal summaries

13.3 Normal and related mixture approximations

13.4 Finding marginal posterior modes using EM

13.5 Conditional and marginal posterior approximations

13.6 Example： hierarchical normal model （continued）

13.7 Variational inference

13.8 Expectation propagation

13.9 Other approximations

13.10 Unknown normalizing factors

13.11 Bibliographic note

13.12 Exercises

Part IV： Regression Models

14 Introduction to regression models

14.1 Conditional modeling

14.2 Bayesian analysis of classical regression

14.3 Regression for causal inference： incumbency and voting

14.4 Goals of regression analysis

14.5 Assembling the matrix of explanatory variables

14.6 Regularization and dimension reduction

14.7 Unequal variances and correlations

14.8 Including numerical prior information

14.9 Bibliographic note

14.10 Exercises

15 Hierarchical linear models

15.1 Regression coefficients exchangeable in batches

15.2 Example： forecasting U.S. presidential elections

15.3 Interpreting a normal prior distribution as extra data

15.4 Varying intercepts and slopes

15.5 Computation： batching and transformation

15.6 Analysis of variance and the batching of coefficients

15.7 Hierarchical models for batches of variance components

15.8 Bibliographic note

15.9 Exercises

16 Generalized linear models

16.1 Standard generalized linear model likelihoods

16.2 Working with generalized linear models

16.3 Weakly informative priors for logistic regression

16.4 Overdispersed Poisson regression for police stops

16.5 State-level opinons from national polls

16.6 Models for multivariate and multinomial responses

16.7 Loglinear models for multivariate discrete data

16.8 Bibliographic note

16.9 Exercises

17 Models for robust inference

17.1 Aspects of robustness

17.2 Overdispersed versions of standard models

17.3 Posterior inference and computation

17.4 Robust inference for the eight schools

17.5 Robust regression using t-distributed errors

17.6 Bibliographic note

17.7 Exercises

18 Models for missing data

18.1 Notation

18.2 Multiple imputation

18.3 Missing data in the multivariate normal and t models

18.4 Example： multiple imputation for a series of polls

18.5 Missing values with counted data

18.6 Example： an opinion poll in Slovenia

18.7 Bibliographic note

18.8 Exercises

Part V： Nonlinear and Nonparametric Models

19 Parametric nonlinear models

19.1 Example： serial dilution assay

19.2 Example： population toxicokinetics

19.3 Bibliographic note

19.4 Exercises

20 Basis function models

20.1 Splines and weighted sums of basis functions

20.2 Basis selection and shrinkage of coefficients

20.3 Non-normal models and regression surfaces

20.4 Bibliographic note

20.5 Exercises

21 Gaussian process models

21.1 Gaussian process regression

21.2 Example： birthdays and birthdates

21.3 Latent Gaussian process models

21.4 Functional data analysis

21.5 Density estimation and regression

21.6 Bibliographic note

21.7 Exercises

22 Finite mixture models

22.1 Setting up and interpreting mixture models

22.2 Example： reaction times and schizophrenia

22.3 Label switching and posterior computation

22.4 Unspecified number of mixture components

22.5 Mixture models for classification and regression

22.6 Bibliographic note

22.7 Exercises

23 Dirichlet process models

23.1 Bayesian histograms

23.2 Dirichlet process prior distributions

23.3 Dirichlet process mixtures

23.4 Beyond density estimation

23.5 Hierarchical dependence

23.6 Density regre