Podstawowe odniesienia do MCMC dla statystyki bayesowskiej

Szukam artykułów lub książek z praktycznymi i teoretycznymi przykładami na temat podstawowej MCMC dla statystyki bayesowskiej (z R). Nigdy nie studiowałem symulacji i dlatego szukam „podstawowych” informacji. Czy możesz dać mi jakieś rekomendacje lub porady?

Oprócz powyższych tytułów istnieją książki skierowane specjalnie do R.

• Bayesian Computation Jima Alberta z R.
• nasza książka Bayesian Essentials with R z instrukcją rozwiązania na arXiv
• nasza książka Wprowadzenie do metod Monte Carlo z R, która jest wersją dla początkujących naszych bardziej wszechstronnych metod statystycznych Monte Carlo, a także zawiera opracowany podręcznik rozwiązania
• Przegląd statystyczny Richarda McElreath z przykładami w języku R i STAN, które zrecenzowałem na moim blogu

ludzie często bardzo polecają Doing Bayesian Data Analysis firmy Kruschke jako świetną książkę wprowadzającą.

Stamtąd może wypróbować analizę danych bayesowskich Gelmana .

Następnie zakończ je doskonałymi metodami statystycznymi Monte Carlo

Bez dodatkowych informacji na temat tego, czego konkretnie szukasz, prawdopodobnie najlepiej mogę to zrobić.

Kiedy zacząłem uczyć się statystyki, uważałem książkę Gelmana o analizie danych bayesowskich za bardzo trudną do zrozumienia, może być nieco przytłaczająca dla kogoś nowego w statystyce!

Polecam zacząć od książki Petera Hoffa Pierwszy kurs bayesowskich metod statystycznych .

Nie jest to wyczerpująca książka dla zaawansowanych tematów statystycznych, ale zawiera dużą liczbę modeli statystycznych i przykładów, a kody R podano w całym tekście lub na stronie internetowej tej książki.

Jeśli pytasz o dokumenty wprowadzające , możesz sprawdzić:

Casella, G., i George, EI (1992). Objaśnienie samplera Gibbs. The American Statistician, 46 (3), 167-174.

Andrieu, C., de Freitas, N., Doucet, A. & Jordan, MI (2003). Wprowadzenie do MCMC w zakresie uczenia maszynowego. Uczenie maszynowe, 50, 5-43.

Tierney, L. (1994). Łańcuchy Markowa do badania rozkładów bocznych. The Annals of Statistics, 1701-1728.

Hartig, F., Calabrese, JM, Reineking, B., Wiegand, T., i Huth, A. (2011). Wnioskowanie statystyczne dla stochastycznych modeli symulacyjnych - teoria i zastosowanie. Ecology Letters, 14, 816–827.

Teoria Bayesa zawsze miała dla mnie sens, ale analiza Bayesa była zawsze bardzo myląca. Rzeczy naprawdę zaczęły klikać, gdy czytam ten post na blogu o przykładzie 8 szkół: http://andrewgelman.com/2014/01/21/everything-need-know-bayesian-statistics-learned-eight-schools/

Myślę, że ten przykład może być bardziej znaczący z lepszym przykładem, metryka opisana w 8 szkołach jest abstrakcyjnym wynikiem „coachingu”.

Świetne graficzne objaśnienie MCMC od Staty

https://www.youtube.com/watch?v=OTO1DygELpY