¿Tiene recomendaciones para libros de autoaprendizaje de Estadística Aplicada a nivel de posgrado?

Tomé varios cursos de estadística en la universidad, pero descubrí que mi educación era muy teórica.

Me preguntaba si alguno de ustedes tenía un texto en Estadística Aplicada (en el nivel de posgrado) que recomiende o haya tenido una buena experiencia.

Algunos libros muy buenos: "Estadísticas para experimentadores: diseño, innovación y descubrimiento, 2ª edición" de Box, Hunter & Hunter. Este es formalmente un texto introductorio (más para personas de química e ingeniería) pero extremadamente bueno en el lado aplicado.

"Análisis de datos utilizando regresión y modelos multinivel / jerárquicos" por Andrew Gelman y Jennifer Hill. Muy bueno en la aplicación de modelos de regresión.

"Los elementos del aprendizaje estadístico: minería de datos, inferencia y predicción, segunda edición" (Springer Series in Statistics) 2nd (2009) Edición corregida por Hastie Trevor, Tibshirani Robert y Friedman Jerome. Más teórico que los dos primeros en mi lista, pero también extremadamente bueno sobre los por qué y los ifs de las aplicaciones. - Versión publicada en PDF

"Una Introducción al Aprendizaje Estadístico" (Serie Springer en Estadística) 6to (2015) por Gareth James, Daniela Witten, Trevor Hastie y Robert Tibshirani - Versión en PDF

Trabajar en estos tres libros debería ser una muy buena base para las aplicaciones.

Harrell (2001), Estrategias de modelado de regresión se distingue por

• cubriendo el modelado de principio a fin, por lo que la reducción de datos, la imputación de valores perdidos y la validación del modelo se encuentran entre los temas incluidos
• un énfasis en explicar cómo emplear diferentes métodos en diferentes etapas
• ejemplos exhaustivamente resueltos (y código S-Plus / R) que ocupan gran parte del libro

Además de eso, la Econometría introductoria: un enfoque moderno de Wooldrige tiene casi todo lo que pueda desear saber sobre la regresión, a un nivel avanzado de pregrado.

editar: si se trata de resultados categóricos, Hastie et al son indispensables. Además, el análisis de datos categóricos de Agresti es un buen enfoque clásico, a diferencia del enfoque de aprendizaje automático de Hastie et al.

Bayesian Data Analysis tercera edición (2013) de Gelman et al. El nivel es mixto, pero el tratamiento me parece tan bueno que se puede obtener algo valioso de la mayoría de los capítulos. Si está interesado en la aplicación de métodos basada en principios, le recomendaría este libro.

He usado mucho el Manual de procedimientos estadísticos paramétricos y no paramétricos de Sheskin . Es una encuesta amplia de los métodos de prueba de hipótesis, con buenas introducciones a la teoría y toneladas de notas sobre las sutilezas de cada uno. Puede ver la tabla de contenido en el sitio del editor (vinculado anteriormente).

Estrategias de modelado de regresión de Frank Harrell, es un gran libro si ya conoce algunos conceptos básicos. Está fuertemente enfocado en aplicaciones (muchos ejemplos con código), especificando modelos, diagnosticando modelos, lidiando con trampas comunes y evitando métodos problemáticos.

Usé "Estadísticas de ingeniería" de Montgomery y Runger. Es bastante bueno (especialmente si tienes un buen historial matemático). También recomiendo consultar el curso de aprendizaje automático en línea de CalTech. Es genial para una introducción a ML Concepts (si es parte de su análisis de datos). https://work.caltech.edu/telecourse.html .

Escribí el libro Modelado de regresión no lineal para aplicaciones de ingeniería: modelado, validación de modelos y diseño de experimentos, Wiley, Nueva York, NY, septiembre de 2016. ISBN 9781118597965, Rhinehart, RR porque sentí tal necesidad. El libro tiene 361 páginas y tiene un sitio web complementario con soluciones de código abierto Excel / VBA para muchas de las técnicas. Visite www.r3eda.com.

La secuencia de métodos de regresión de nivel superior del programa UW Stat PhD utiliza los "Métodos de regresión bayesiana y frequentista" de Wakefield, que es una opción particularmente buena para personas como usted que han visto muchas estadísticas matemáticas. Da mucha más perspectiva que la mayoría de los libros, incluso sobre los métodos aplicados más simples, ya que aprovecha muchas matemáticas.

Usé College Statistics Made Easy de Sean Connolly. Está dirigido a un primer / segundo curso de estadística. El material muy, muy fácil de seguir. Intenté algunos libros y ninguno se compara con esto.