Brève description / annotation

Avant-propos Pourquoi s'intéresser à la statistique bayésienne ? Ce que nous allons voir dans ce livre Comment lire ce livre ? 1. L'approche bayésienne 1.1. Le théorème de Bayes 1.2. Qu'est-ce que la statistique bayésienne ? 1.3. Un exemple fil rouge 1.4. Le maximum de vraisemblance 1.5. Et en bayésien ? À retenir 2. Les méthodes de Monte Carlo par chaînes de Markov 2.1. Application du théorème de Bayes 2.2. Les algorithmes MCMC 2.3. Évaluer la convergence À retenir 3. Mise en oeuvre pratique 3.1. La syntaxe du package brms 3.2. Visualisation 3.3. Les priors À retenir 4. Les distributions a priori 4.1. Le rôle du prior 4.2. Sensibilité au prior 4.3. Comment intégrer l'information a priori ? 4.4. Attention aux priors dits non-informatifs À retenir 5. La régression 5.1. La régression linéaire 5.2. L'évaluation des modèles 5.3. La comparaison de modèles À retenir 6. Modèles linéaires généralisés et modèles généralisés mixtes 6.1. Modèles linéaires généralisés (GLM) 6.2. Modèles linéaires généralisés mixtes (GLMM) À retenir Conclusions Ce que l'on a vu La statistique bayésienne, en résumé Quelques conseils Pour finir Bibliographie commentée Remerciements

Détails