Scegliere tra "Statistiche" di Freedman et al. E "Modelli statistici: teoria e pratica" di Freedman

Non sono uno statistico, ma sono molto interessato alle statistiche e vorrei acquistare un libro da conservare come riferimento. Ho alcuni libri su argomenti specifici (come The Elements of Statistical Learning for machine learning o Bayesian Data Analysis for ... beh, Bayesian Data Analysis :) Stavo anche cercando un libro più generico.

I libri di Freedman sono spesso ben considerati qui:

Raccomandazione di libri statistici avanzati

Quale libro consiglieresti agli scienziati non statistici?

Le statistiche di Freedman, Pisani e Purves (A) sono la risposta scelta per quest'ultima domanda, e stavo per comprarla. Tuttavia, ho scoperto i modelli statistici: teoria e pratica (B). I due libri sembrano simili (per quello che posso dire: Amazon mi limita anche a leggere i ToC completi ... Non so perché). Le date di pubblicazione sono molto vicine. Tuttavia:

• B è notevolmente più economico. Potrei usare A, però, quindi se A è chiaramente migliore di B, sono disposto a scegliere A.
• A è più lungo, ma mi sembra che i capitoli principali mancanti da B siano legati alla probabilità. Non ho bisogno di quella parte, quindi se questa è l'unica differenza o la differenza principale, preferirei acquistare la B più economica e più trasportabile :)

Quale libro suggeriresti di acquistare?

Sono abbastanza diversi.

(A) è esplicitamente introduttivo (ma per molti aspetti non elementare). Ciò può sembrare contraddittorio: forse è giusto affermare che (A) presume che i lettori intelligenti siano disposti a pensare intensamente, ma non a una precedente conoscenza delle statistiche. Non ci sono espedienti come fotografie a colori di persone felici, scatole di vario genere con materiali extra o storie maleducate basate sulle esperienze più selvagge dell'autore o sull'immaginazione troppo fertile. (Alludo senza riferimenti ad alcune delle alternative più spaventose del mercato.) Uno studente di scuola superiore intelligente o chiunque ricordasse la maggior parte della matematica delle scuole superiori lo troverebbe gratificante, così come il mercato universitario più ovvio.

(B) è più un secondo testo e sarebbe difficile andare per chiunque non trovasse familiare il contenuto di (A). Direi che (B) dipende dal fatto che i lettori abbiano incontrato la maggior parte del materiale almeno una volta prima, perché molte delle spiegazioni sono abilmente concise ma ugualmente piuttosto condensate. Direi che è davvero per i ricercatori, i laureandi dell'ultimo anno che preparano una tesi o un documento di ricerca. È anche più supponente, che adorerai o detesterai a seconda che tu sia d'accordo con Freedman, i cui alti standard spesso escludono quasi il lavoro di chiunque altro.

Rileggo (A) con profitto e piacere ogni pochi anni e lo faccio dalla prima edizione (con scrematura e salto).

Divulgazione: non sono neanche uno statistico; né ho mai seguito corsi tenuti da statistici.

Gossip: una biografia di John Tukey (vedi qui per i dettagli e una recensione) include due volte una storia non documentata che David Freedman come studente laureato a Princeton non riusciva davvero ad affrontare con lo stile di insegnamento a volte ellittico ed elusivo di Tukey. Si è tentati di ipotizzare che questo potrebbe essere stato un motivo di fondo per cui (A) evita i grafici a scatole e i metodi esplorativi di Tukeyish in generale.

Sono uno statistico, l'ho insegnato per 40 anni, principalmente ai biologi. La risposta di Nick Cox sopra è morta. A mio avviso, "FPP" è di gran lunga il miglior libro introduttivo sulle statistiche. Forte enfasi su concetti, grandi esempi (anche se vorrei che fossero più della biologia!) E contro-esempi (che mostrano come "l'ovvio" a volte possa essere sbagliato), ed esercizi. È facile da leggere, ma può essere ingannevole: devi pensare. "Statistical Models" (Freedman) è un secondo o un terzo libro di testo. È anche molto concettuale. Probabilmente vorrai un libro più standard per apprendere le basi dei metodi dei minimi quadrati (regressione, anova, ecc.). Freedman è più preoccupato quando i modelli sono giustificati (di solito come buone approssimazioni alla "verità") e quando no. Molto importante ora quando puoi eseguire modelli molto complessi con poco più della semplice pressione di un pulsante, ma non hai la minima idea di cosa hai assunto o di cosa significano i risultati. Anche il libro di Davison è eccellente, ma più tecnico e pratico: descrive i modelli standard più importanti (e alcuni meno standard) in una varietà di aree e mostra i modi per analizzarli.