《统计建模与推理简介（Introduction to Statistical Modelling and Inference）》

大规模数据集（“大数据”）的复杂性刺激了用于分析它们的先进计算方法的发展。有两种不同的方法可以帮助做到这一点。基于模型的方法使用概率模型和似然以及贝叶斯理论，而无模型方法不需要概率模型、似然或贝叶斯理论。这两种方法基于概率论的不同哲学原理，由著名统计学家罗纳德·费舍尔和耶日·内曼提出。
《统计建模和推理简介》涵盖简单的实验和调查设计，以及概率模型，包括广义线性（回归）模型及其一些扩展，包括有限混合物。本书还讨论和分析了来自不同应用领域的各种示例。除了广义线性模型的最大似然分析所需的软件外，没有使用任何特殊软件。学生应具有代数，坐标几何和微积分的基本数学背景。

本书的主要特征

• 概率模型是从样本经验累积分布函数（cdf）的形状或其变换中开发的。
• 总体累积分布函数值的边界是从经验 cdf 的每个点的 Beta 分布中获得的。
• 贝叶斯定理是从罕见病症筛选测试的性质发展而来的。
• 多项分布为任何随机采样数据提供了始终为真的模型。
• 用于查找样本估计精度的无模型自举方法具有基于模型的平行 - 贝叶斯自举 - 基于始终为真的多项式分布。
• 模型参数的贝叶斯后验分布可以从模型的最大似然分析中获得。

本书面向包括数据科学在内的广泛学科的学生。本书基于基于模型的理论，该理论被许多领域的科学家广泛使用，并将其与计算机科学，机器学习和官方调查分析中流行的无模型理论进行了比较，但不太详细。贝叶斯分析的最新发展加速了基于模型的理论的发展。