Computer Age Statistical Inference

出版者:Cambridge University Press

作者:Bradley Efron

页数:495

出版时间:2016-7-21

价格:USD 74.99

装帧:Hardcover

isbn号码:9781107149892

具体描述

The twenty-first century has seen a breathtaking expansion of statistical methodology, both in scope and in influence. 'Big data', 'data science', and 'machine learning' have become familiar terms in the news, as statistical methods are brought to bear upon the enormous data sets of modern science and commerce. How did we get here? And where are we going? This book takes us on an exhilarating journey through the revolution in data analysis following the introduction of electronic computation in the 1950s. Beginning with classical inferential theories - Bayesian, frequentist, Fisherian - individual chapters take up a series of influential topics: survival analysis, logistic regression, empirical Bayes, the jackknife and bootstrap, random forests, neural networks, Markov chain Monte Carlo, inference after model selection, and dozens more. The distinctly modern approach integrates methodology and algorithms with statistical inference. The book ends with speculation on the future direction of statistics and data science.

Clarifies both traditional methods and current, popular algorithms (e.g. neural nets, random forests)

Written by two world-leading researchers

Addressed to all fields that work with data

作者简介

Bradley Efron, Stanford University, California

Bradley Efron is Max H. Stein Professor, Professor of Statistics, and Professor of Biomedical Data Science at Stanford University, California. He has held visiting faculty appointments at Harvard University, Massachusetts, the University of California, Berkeley, and Imperial College of Science, Technology and Medicine, London. Efron has worked extensively on theories of statistical inference, and is the inventor of the bootstrap sampling technique. He received the National Medal of Science in 2005 and the Guy Medal in Gold of the Royal Statistical Society in 2014.

Trevor Hastie, Stanford University, California

Trevor Hastie is John A. Overdeck Professor, Professor of Statistics, and Professor of Biomedical Data Science at Stanford University, California. He is coauthor of Elements of Statistical Learning, a key text in the field of modern data analysis. He is also known for his work on generalized additive models and principal curves, and for his contributions to the R computing environment. Hastie was awarded the Emmanuel and Carol Parzen prize for Statistical Innovation in 2014.

目录信息

Part I. Classic Statistical Inference:
1. Algorithms and inference
2. Frequentist inference
3. Bayesian inference
4. Fisherian inference and maximum likelihood Estimation
5. Parametric models and exponential families
Part II. Early Computer-Age Methods:
6. Empirical Bayes
7. James–Stein estimation and ridge regression
8. Generalized linear models and regression trees
9. Survival analysis and the EM algorithm
10. The jackknife and the bootstrap
11. Bootstrap confidence intervals
12. Cross-validation and Cp estimates of prediction error
13. Objective Bayes inference and Markov chain Monte Carlo
14. Statistical inference and methodology in the postwar era
Part III. Twenty-First Century Topics:
15. Large-scale hypothesis testing and false discovery rates
16. Sparse modeling and the lasso
17. Random forests and boosting
18. Neural networks and deep learning
19. Support-vector machines and Kernel methods
20. Inference after nodel selection
21. Empirical Bayes estimation strategies
Epilogue
· · · · · · (收起)

用户评价

对于《计算机时代统计推断》这本书，我最先产生的联想是它将如何 bridging 理论与实践的鸿沟。在许多统计学教材中，概念的引入往往非常严谨，但如何将其转化为可操作的分析步骤，尤其是在涉及大量数据和复杂模型时，往往会留给读者一些困惑。我希望这本书能够提供清晰的指导，详细阐述从数据准备、模型选择、参数估计到结果解释的整个流程。我很期待书中能有对贝叶斯统计的深入探讨，它在现代统计推断中扮演着越来越重要的角色，尤其是在先验知识的融合和模型不确定性的量化方面，贝叶斯方法具有独特的优势。我猜想，这本书会详细介绍如何构建贝叶斯模型，以及如何利用MCMC等计算方法进行推断，并提供相关的软件实现建议。同时，我也对书中可能包含的关于模型诊断和选择的章节抱有浓厚兴趣。在面对众多候选模型时，如何选择最适合特定数据和研究问题的模型，避免过拟合或欠拟合，是统计推断中的关键环节。这本书或许会介绍一些基于信息准则、交叉验证或其他统计检验的方法，帮助读者做出明智的选择。我希望它不仅仅是理论的堆砌，更能提供切实可行的操作指南，让读者在实际工作中能够得心应手地运用这些强大的统计工具。

拿到这本《计算机时代统计推断》，我脑海中立刻浮现出许多关于现代数据科学的图景。从我个人的经验来看，许多领域都面临着前所未有的数据体量和复杂性，传统的统计方法在某些情况下显得力不从心，而这本书的出现，似乎为解决这些挑战提供了一把金钥匙。我猜想，它会深入探讨如何利用计算能力来克服传统统计学的局限性，比如处理高维数据、非线性关系，以及如何进行更复杂的模型构建和验证。或许书中会涵盖诸如机器学习中的统计学原理，或者是对大数据分析中常用算法的统计学解释。那些在学术界被认为是“高深莫测”的统计思想，在计算机的辅助下，可能会变得更加触手可及。我期待书中能有对“因果推断”的详尽阐述，这是现代统计学中一个至关重要且极具挑战性的领域，尤其是在处理观察性数据时，如何在混淆变量的影响下，准确地估计处理效应，从而做出更可靠的决策，这是我一直以来都非常感兴趣的。我想象中，书中会结合大量的案例研究，展示如何在实际问题中应用这些先进的统计推断方法，让理论与实践紧密结合，帮助读者解决真实世界中的难题。书名本身就蕴含着一种前瞻性，它预示着统计学在计算能力的加持下，正在经历一场深刻的变革，而这本书，很可能就是这场变革的指南。

阅读《计算机时代统计推断》的封面，我 immediately 联想到的是统计学界正在经历的范式转移。过去，统计推断往往依赖于解析解或近似方法，而现在，强大的计算能力允许我们探索更复杂的模型和数据结构。我猜测，这本书会重点介绍如何利用计算模拟来解决那些传统解析方法难以处理的问题，例如复杂的概率分布的采样，或者进行复杂的置信区间估计。这其中，蒙特卡洛方法很可能是一个核心内容，我希望书中能够详细阐述其原理和应用，以及如何设计有效的模拟实验来获得可靠的统计推断。此外，我对于书中关于“非参数统计”的章节尤为期待。在许多情况下，我们无法对数据的分布做出严格的假设，这时候非参数方法就显得尤为重要。我希望这本书能够介绍一些主流的非参数统计技术，比如核密度估计、秩和检验等，并解释如何在计算机环境中高效地实现这些方法，以获得更灵活的统计推断。考虑到“计算机时代”这个关键词，书中很可能还会涉及关于大规模数据集分析的策略，以及如何利用并行计算或分布式计算来加速统计推断过程。这对于处理现实世界中日益增长的数据量而言，是至关重要的。

这本《计算机时代统计推断》的封面设计给我一种既有历史厚重感又不失现代科技感的错觉。封面上数字流动的纹理，仿佛预示着书中将要探讨的精妙计算与复杂数据之间的联系。我尤其对“计算机时代”这个前缀感到好奇，它暗示着这本书并非仅仅停留在理论的象牙塔，而是紧密联系着我们这个被数据洪流裹挟的时代。我设想，书中定会详细阐述如何在海量数据面前，运用强大的计算能力来推导出更精确、更有洞察力的统计结论。那些曾经需要繁复手工计算，或者仅仅停留在理论层面的统计方法，是否能在计算机的加持下焕发新生，甚至催生出全新的分析范式？我期待书中能有对这些方法的深入讲解，或许会包含一些经典的统计模型，但又以现代计算的视角进行重新审视和阐释。书名中的“推断”二字，则将重心拉回到统计学的核心——如何从样本数据中合理地推断出整体的特征和规律。这其中必然涉及到概率论、假设检验、置信区间等一系列基础但至关重要的概念，我希望能看到作者以一种既严谨又不失易懂的方式来呈现这些内容，让即使是对统计学稍感陌生的读者也能逐步领会其精髓。此外，考虑到“计算机时代”的背景，书中很可能还会涉及数据可视化、模拟实验等与现代计算技术紧密结合的统计实践，这对我而言无疑是极大的吸引力，我渴望了解如何将抽象的统计理论转化为直观的数据洞察，进而指导实际决策。

翻阅《计算机时代统计推断》的标题，脑海中立刻勾勒出一个关于现代数据分析的蓝图。我所理解的“统计推断”核心在于从有限的数据中提取信息，并做出关于未知真相的合理判断。而“计算机时代”则意味着这种判断将不再受限于人力计算的速度和精度。我预想，书中将详细介绍如何运用计算工具来增强统计推断的能力，或许会涉及大量的编程代码示例，例如使用R、Python或其他统计软件来实现复杂的统计模型。我很想知道书中是否会讨论关于“稳健统计”的概念，即在数据存在异常值或模型假设受到轻微违反时，如何依然能够获得相对可靠的推断结果。这对于处理真实世界中往往“不完美”的数据至关重要。我期待书中能提供一些实用的方法来识别和处理异常数据，以及介绍那些对数据分布假设不那么敏感的统计技术。此外，书名中的“推断”也让我联想到统计学与机器学习之间的交叉领域。许多机器学习算法背后都有深刻的统计学原理，我希望这本书能够清晰地阐释这些联系，例如如何从统计学的角度理解正则化、模型评估等概念。总而言之，我希望这本书能够成为一本集理论深度、计算实践和前沿应用为一体的指南，帮助读者在“计算机时代”驾驭统计推断的强大力量。

世上有一些书读起来很痛苦，但却得给好评，掉了一星只是因为此书属于“无需证明，显然可得”的高级数学书，非习惯抽象概念公式化且可以自行推导的人不能深入。纵览数据统计科学理论和方法发展的百年风云，也许这本书不是最好，但应该是最全面的之一，即便越往后感觉愈发简练，当然每一章本来就能单独拿出来写好几本书，所以将近500页的此书必定有体量限制。非统计相关方向的心理学人大概对整个统计方法领域的发展本身兴趣不大，但书中例子涉及的方法足使人了解在传统模式的桎梏之外还存在着更多可能性，此外各种方法在数学证明层面的相互比较也是非理论统计专业课程难见的。由于心理学研究至今绝大部分仍是非大数据驱动，经典方法占主流，虽然不知道测量评估距离量大质优的终极目标还需多久，但若想吃到现今计算力爆发的红利还是需要相符的高级工具。

斯坦福Efron 教授的好书，以statistical inference 历史发展的顺序娓娓道来。高屋建瓴，易于理解。

很好，等把每一章的专题学下用下，再来读第2遍，2017第1本

对这个统计领域的一个high level综述，学过统计理论or机器学习基本上可以读懂大部分。讲得比较泛，了解一些主要思想还不错，具体细节还是要看专门的书。

这本书讲得很好，但需要读者至少有较好的本科数理统计基础，否者你会觉得他们很多东西没讲透，就像amazon.com里一些评论所说。