¿Tiene recomendaciones para libros de autoaprendizaje de Estadística Aplicada a nivel de posgrado?


23

Tomé varios cursos de estadística en la universidad, pero descubrí que mi educación era muy teórica.

Me preguntaba si alguno de ustedes tenía un texto en Estadística Aplicada (en el nivel de posgrado) que recomiende o haya tenido una buena experiencia.


2
Los libros de texto de nivel de posgrado suelen ser bastante especializados, con títulos como Regresión binomial negativa o Análisis de series temporales por métodos de espacio de estado . ¿Puede ser más específico sobre el área que le interesa o está buscando algún tipo de visión general?
Scortchi - Restablece a Monica

1
¡Sería útil que nos contara algo más sobre sus aplicaciones!
kjetil b halvorsen 18/0614

Me interesan principalmente los métodos de regresión y algunos modelos. Me encuentro con muchos RV binomiales, así como con variables aleatorias, distribuciones aproximadas o poco claras. Las aplicaciones son bastante amplias, por lo que una descripción general sería "ideal", pero claramente no es la solicitud más factible jaja.
jameselmore

Respuestas:


20

Algunos libros muy buenos: "Estadísticas para experimentadores: diseño, innovación y descubrimiento, 2ª edición" de Box, Hunter & Hunter. Este es formalmente un texto introductorio (más para personas de química e ingeniería) pero extremadamente bueno en el lado aplicado.

"Análisis de datos utilizando regresión y modelos multinivel / jerárquicos" por Andrew Gelman y Jennifer Hill. Muy bueno en la aplicación de modelos de regresión.

"Los elementos del aprendizaje estadístico: minería de datos, inferencia y predicción, segunda edición" (Springer Series in Statistics) 2nd (2009) Edición corregida por Hastie Trevor, Tibshirani Robert y Friedman Jerome. Más teórico que los dos primeros en mi lista, pero también extremadamente bueno sobre los por qué y los ifs de las aplicaciones. - Versión publicada en PDF

"Una Introducción al Aprendizaje Estadístico" (Serie Springer en Estadística) 6to (2015) por Gareth James, Daniela Witten, Trevor Hastie y Robert Tibshirani - Versión en PDF

Trabajar en estos tres libros debería ser una muy buena base para las aplicaciones.


3
Vale la pena leer Box, Hunter y Hunter para cualquier persona de cualquier nivel que aún no lo haya leído.
Scortchi - Restablece a Monica


3
Soy un gran admirador del libro Gelman / Hill.
John

He leído la mayoría de los elementos; es una tarea difícil, y si está buscando aplicaciones, necesita saber qué omitir. Un par de libros que cubren material similar con consejos más prácticos + ejemplos de código son Kuhn & Johnson ( applypredictivemodeling.com ) y Berk ( springer.com/gp/book/9780387775005 ).
Drew N

8

Harrell (2001), Estrategias de modelado de regresión se distingue por

  • cubriendo el modelado de principio a fin, por lo que la reducción de datos, la imputación de valores perdidos y la validación del modelo se encuentran entre los temas incluidos
  • un énfasis en explicar cómo emplear diferentes métodos en diferentes etapas
  • ejemplos exhaustivamente resueltos (y código S-Plus / R) que ocupan gran parte del libro

5

Además de eso, la Econometría introductoria: un enfoque moderno de Wooldrige tiene casi todo lo que pueda desear saber sobre la regresión, a un nivel avanzado de pregrado.

editar: si se trata de resultados categóricos, Hastie et al son indispensables. Además, el análisis de datos categóricos de Agresti es un buen enfoque clásico, a diferencia del enfoque de aprendizaje automático de Hastie et al.


1
No creo que Wooldridge esté particularmente avanzado. En mi opinión, una mejor referencia sería la Econometría de Hayashi o incluso el segundo texto de Wooldridge, "Análisis econométrico de datos de sección transversal y panel".
JohnK

55
Usar Hayashi para "estadísticas aplicadas" es como usar un lanzallamas para encender una vela. Pidió menos teoría, no más. Además, creo que Wooldridge es conceptualmente sofisticado para un libro de pregrado, incluso si no es tan técnico. No es como si recomendara a Stock & Watson.
shadowtalker

2
No estoy de acuerdo, pero me gusta la metáfora;)
JohnK

3

Bayesian Data Analysis tercera edición (2013) de Gelman et al. El nivel es mixto, pero el tratamiento me parece tan bueno que se puede obtener algo valioso de la mayoría de los capítulos. Si está interesado en la aplicación de métodos basada en principios, le recomendaría este libro.



1

Estrategias de modelado de regresión de Frank Harrell, es un gran libro si ya conoce algunos conceptos básicos. Está fuertemente enfocado en aplicaciones (muchos ejemplos con código), especificando modelos, diagnosticando modelos, lidiando con trampas comunes y evitando métodos problemáticos.


0

Usé "Estadísticas de ingeniería" de Montgomery y Runger. Es bastante bueno (especialmente si tienes un buen historial matemático). También recomiendo consultar el curso de aprendizaje automático en línea de CalTech. Es genial para una introducción a ML Concepts (si es parte de su análisis de datos). https://work.caltech.edu/telecourse.html .


0

Escribí el libro Modelado de regresión no lineal para aplicaciones de ingeniería: modelado, validación de modelos y diseño de experimentos, Wiley, Nueva York, NY, septiembre de 2016. ISBN 9781118597965, Rhinehart, RR porque sentí tal necesidad. El libro tiene 361 páginas y tiene un sitio web complementario con soluciones de código abierto Excel / VBA para muchas de las técnicas. Visite www.r3eda.com.


0

La secuencia de métodos de regresión de nivel superior del programa UW Stat PhD utiliza los "Métodos de regresión bayesiana y frequentista" de Wakefield, que es una opción particularmente buena para personas como usted que han visto muchas estadísticas matemáticas. Da mucha más perspectiva que la mayoría de los libros, incluso sobre los métodos aplicados más simples, ya que aprovecha muchas matemáticas.


-1

Usé College Statistics Made Easy de Sean Connolly. Está dirigido a un primer / segundo curso de estadística. El material muy, muy fácil de seguir. Intenté algunos libros y ninguno se compara con esto.


Dado que el autor de la pregunta tiene muchas estadísticas teóricas, probablemente esto no sea lo que buscan.
Sheridan Grant
Al usar nuestro sitio, usted reconoce que ha leído y comprende nuestra Política de Cookies y Política de Privacidad.
Licensed under cc by-sa 3.0 with attribution required.