Hai dei consigli per i libri di autoapprendimento delle statistiche applicate a livello universitario?

Ho frequentato diversi corsi di statistica al college, ma ho scoperto che la mia educazione era molto basata sulla teoria.

Mi chiedevo se qualcuno di voi avesse un testo in Statistica Applicata (a livello di laurea) che raccomandasse o con cui avesse avuto una buona esperienza.

Alcuni libri molto buoni: "Statistics for Experimenters: Design, Innovation and Discovery, 2nd Edition" di Box, Hunter & Hunter. Questo è formalmente un testo introduttivo (più per le persone di chimica e ingegneria) ma estremamente valido sul lato applicato.

"Analisi dei dati mediante regressione e modelli multilivello / gerarchici" di Andrew Gelman e Jennifer Hill. Ottimo sull'applicazione del modello di regressione.

"The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Second Edition" (Springer Series in Statistics) 2nd (2009) Edizione corretta di Hastie Trevor, Tibshirani Robert e Friedman Jerome. Più teorico dei primi due nella mia lista, ma anche estremamente valido sui perché e sui se delle applicazioni. - Versione PDF rilasciata

"An Introduction to Statistical Learning" (Springer Series in Statistics) 6th (2015) di Gareth James, Daniela Witten, Trevor Hastie e Robert Tibshirani - Versione PDF

Lavorare attraverso questi tre libri dovrebbe fornire un'ottima base per le applicazioni.

Harrell (2001), Regressione Modeling Strategies si distingue per

• che copre la modellazione dall'inizio alla fine, quindi la riduzione dei dati, l'imputazione dei valori mancanti e la convalida del modello sono tra gli argomenti inclusi
• un'enfasi sulla spiegazione di come utilizzare metodi diversi in diverse fasi
• esempi ben elaborati (e codice S-Plus / R) che occupano gran parte del libro

In aggiunta a quelli, Introductory Econometrics: A Modern Approach di Wooldrige ha praticamente tutto ciò che potresti desiderare di sapere sulla regressione, a un livello universitario avanzato.

modifica: se hai a che fare con risultati categorici, Hastie et al è indispensabile. Inoltre, l' analisi categorica dei dati di Agresti è un buon approccio classico, al contrario dell'approccio di apprendimento automatico di Hastie et al.

Bayesian Data Analysis terza edizione (2013) di Gelman et al. Il livello è misto ma il trattamento che trovo così buono da poter ottenere qualcosa di prezioso dalla maggior parte dei capitoli. Se sei interessato all'applicazione dei principi, ti consiglio questo libro.

Sono stato molto utile dal Manuale di Sheskin sulle procedure statistiche parametriche e non parametriche . È un ampio sondaggio sui metodi di verifica delle ipotesi, con buone introduzioni alla teoria e tonnellate di note sulle sottigliezze di ciascuno. Puoi vedere il sommario sul sito dell'editore (linkato sopra).

Regressione Modeling Strategies di Frank Harrell, è un ottimo libro se conosci già alcune nozioni di base. È fortemente focalizzato sulle applicazioni (molti esempi con codice), specificando modelli, diagnostica dei modelli, gestendo insidie ​​comuni ed evitando metodi problematici.

Ho usato "Engineering Statistics" di Montgomery e Runger. È abbastanza buono (soprattutto se hai una solida preparazione in matematica). Consiglio vivamente anche di dare un'occhiata al corso di Machine Learning online di CalTech. È ottimo per un'introduzione a ML Concepts (se fa parte dell'analisi dei dati). https://work.caltech.edu/telecourse.html .

Ho scritto il libro Modellazione di regressione non lineare per applicazioni di ingegneria: modellazione, convalida dei modelli e progettazione abilitante di esperimenti, Wiley, New York, New York, settembre 2016. 2016. ISBN 9781118597965, Rhinehart, RR perché avvertivo un tale bisogno. Il libro è composto da 361 pagine e ha un sito Web associato con soluzioni open-code Excel / VBA per molte delle tecniche. Visita www.r3eda.com.

La sequenza dei metodi di regressione di alto livello del programma di dottorato Statistico UW utilizza i "Metodi di regressione bayesiana e frequentista" di Wakefield, una scelta particolarmente buona per persone come te che hanno visto molte statistiche matematiche. Dà molta più prospettiva della maggior parte dei libri anche sui metodi applicati più semplici poiché sfrutta così tanta matematica.

Ho usato College Statistics Made Easy di Sean Connolly. Si rivolge a un primo / secondo corso in statistica. Il materiale è molto, molto facile da seguire. Ho provato alcuni libri e nessuno è paragonabile a questo.