Wybór pomiędzy „statystykami” Freedmana i in., A „modelami statystycznymi: teoria i praktyka” Freedmana

Nie jestem statystykiem, ale bardzo interesuję się statystykami i chciałbym kupić książkę, aby zachować ją jako punkt odniesienia. Mam kilka książek na określone tematy (np . Elementy uczenia statystycznego for machine learning lub Bayesian Data Analysis for ... cóż, Bayesian Data Analysis :) Szukałem również bardziej ogólnej książki.

Książki Freedmana są często dobrze przemyślane:

Zaawansowane rekomendacje książek statystycznych

Jaką książkę poleciłbyś naukowcom niepaństwowym?

Statystyki Freedmana, Pisaniego i Purvesa (A) to wybrana odpowiedź na to drugie pytanie i zamierzałem to kupić. Dowiedziałem się jednak o modelach statystycznych: teoria i praktyka (B). Te dwie książki wydają się podobne (o czym mogę powiedzieć: Amazon ogranicza mnie nawet do czytania pełnych treści… Nie wiem dlaczego). Terminy publikacji są bardzo zbliżone. Jednak:

• B jest znacznie tańszy. Mógłbym jednak użyć A, więc jeśli A jest wyraźnie lepszy niż B, jestem gotów wybrać A.
• A jest dłuższe, ale wydaje mi się, że główne rozdziały, których brakuje w B, są związane z prawdopodobieństwem. Nie potrzebuję tej części, więc jeśli to jedyna różnica lub główna różnica, wolę kupić tańszy i łatwiejszy do transportu B :)

Którą książkę sugerujesz kupić?

Oni są zupełnie inni.

(A) jest wyraźnie wprowadzający (ale pod wieloma względami nie jest elementarny). Może się to wydawać sprzeczne: być może słusznie jest powiedzieć, że (A) zakłada inteligentnych czytelników chętnych do silnego myślenia, ale nie wcześniejszej wiedzy statystycznej. Nie ma żadnych sztuczek, takich jak kolorowe fotografie szczęśliwych ludzi, różnego rodzaju pudełka z dodatkowymi materiałami lub niegrzeczne historie oparte na dzikich doświadczeniach autora lub zbyt płodnej wyobraźni. (Mówię bez odniesień do niektórych bardziej przerażających alternatyw na rynku). Sprytny uczeń liceum lub ktokolwiek, kto pamiętał większość matematyki w szkole średniej, uznałby to za satysfakcjonujące, podobnie jak bardziej oczywisty rynek licencjacki.

(B) jest bardziej drugim tekstem i byłoby trudne dla każdego, kto nie znał treści (A) znajomej. Powiedziałbym, że (B) zależy od tego, czy czytelnicy przynajmniej raz zetknęli się z większością materiałów, ponieważ wiele wyjaśnień jest sprytnie zwięzłych, ale równie zwięzłych. Powiedziałbym, że to naprawdę dla naukowców, a przynajmniej studentów ostatniego roku przygotowujących rozprawę lub artykuł badawczy. Jest też bardziej uparty, co pokochasz lub nie będziesz miał ochoty, zależnie od tego, czy zgadzasz się z Freedmanem, którego wysokie standardy często wykluczały pracę prawie kogokolwiek innego.

Przeczytałem (A) z zyskiem i przyjemnością co kilka lat i zrobiłem to od pierwszej edycji (z przeglądaniem i pomijaniem).

Ujawnienie: Ja też nie jestem statystykiem; nigdy też nie brałem udziału w kursach prowadzonych przez statystyków.

Plotki: Biografia Johna Tukeya (patrz tutaj po szczegóły i przeglądu) dwukrotnie zawiera nieudokumentowane historię, że David Freedman jako absolwent Princeton naprawdę nie mógł się z czasem na eliptycznej i nieuchwytnego stylu nauczania Tukeya. Kuszące jest spekulowanie, że mógł to być podstawowy powód, dla którego (A) unika wykresów pudełkowych i ogólnie metod eksploracyjnych Tukeyisha.

Jestem statystykiem, uczyłem go przez 40 lat, głównie biologów. Powyższa odpowiedź Nicka Coxa jest martwa. Moim zdaniem „FPP” to zdecydowanie najlepsza książka wprowadzająca do statystyki. Silny nacisk na koncepcje, świetne przykłady (choć chciałbym, żeby więcej pochodziły z biologii!) I kontrprzykłady (pokazujące, jak „oczywiste” czasami mogą się mylić) i ćwiczenia. Czytanie jest łatwe, ale może to być zwodnicze: musisz pomyśleć. „Modele statystyczne” (Freedman) to drugi lub trzeci podręcznik. Jest to również bardzo koncepcyjne. Prawdopodobnie potrzebujesz bardziej standardowej książki do nauki podstaw metod najmniejszych kwadratów (regresja, anova itp.). Freedman jest bardziej zaniepokojony tym, kiedy modele są uzasadnione (zwykle jako dobre przybliżenie do „prawdy”), a kiedy nie. Teraz bardzo ważne kiedy możesz uruchamiać bardzo złożone modele za naciśnięciem jednego przycisku, ale nie masz pojęcia, co zakładałeś i co oznaczają wyniki. Książka Davisona jest również doskonała, ale bardziej techniczna i praktyczna: opisuje najważniejsze standardowe modele (i niektóre mniej standardowe) w różnych obszarach i pokazuje sposoby ich analizy.