Não sou estatístico, mas estou muito interessado em estatística e gostaria de comprar um livro para manter como referência. Tenho alguns livros sobre assuntos específicos (como Os elementos do aprendizado estatístico para aprendizado de máquina ou Análise de dados bayesiana para ... bem, Análise de dados bayesiana :) Eu também estava procurando um livro mais genérico.
Os livros de Freedman são frequentemente bem considerados aqui:
Recomendação de livros de estatísticas avançadas
Que livro você recomendaria para cientistas não estatísticos?
As estatísticas de Freedman, Pisani e Purves (A) são a resposta escolhida para a última pergunta, e eu compraria isso. No entanto, descobri Modelos Estatísticos: Teoria e Prática (B). Os dois livros parecem semelhantes (pelo que posso dizer: a Amazon me impede mesmo de ler os ToCs completos ... não sei por que). As datas de publicação são muito próximas. Contudo:
- B é consideravelmente mais barato. Eu poderia usar A, no entanto, então, se A é claramente melhor que B, estou disposto a ir para A.
- A é mais longo, mas me parece que os capítulos principais ausentes de B estão relacionados à probabilidade. Eu não preciso dessa parte, então se essa é a única diferença ou a principal diferença, prefiro comprar o B mais barato e mais transportável :)
Qual livro você sugere que eu compre?
fonte
Respostas:
Eles são bem diferentes.
(A) é explicitamente introdutório (mas, em muitos aspectos, não é elementar). Isso pode parecer contraditório: talvez seja justo dizer que (A) pressupõe leitores inteligentes dispostos a pensar muito, mas não o conhecimento prévio de estatística. Não existem truques, como fotografias coloridas de pessoas felizes, caixas de vários tipos com materiais extras ou histórias rudes baseadas nas experiências mais loucas do autor ou na imaginação excessivamente fértil. (Faço alusão sem referências a algumas das alternativas mais apavorantes do mercado.) Um estudante inteligente do ensino médio ou qualquer pessoa que se lembrasse da maior parte da matemática do ensino médio acharia isso gratificante, assim como o mercado de graduação mais óbvio.
(B) é mais um segundo texto e seria difícil para quem não achou o conteúdo de (A) familiar. Eu diria que (B) depende de os leitores terem encontrado a maior parte do material pelo menos uma vez antes, porque muitas das explicações são inteligentemente concisas, mas igualmente condensadas. Eu diria que é realmente para pesquisadores, estudantes de graduação minimamente finalistas que preparam uma dissertação ou trabalho de pesquisa. Também é mais opinativo, que você vai adorar ou odiar de acordo com Freedman, cujos altos padrões geralmente excluíam o trabalho de quase todo mundo.
Reli (A) com lucro e prazer a cada poucos anos e o faço desde a primeira edição (com skimming e skipping).
Divulgação: Eu também não sou estatístico; nem eu nunca fiz cursos ministrados por estatísticos.
Fofoca: Uma biografia de John Tukey (veja aqui para detalhes e uma revisão) inclui duas vezes uma história não documentada de que David Freedman como estudante de pós-graduação em Princeton realmente não conseguia se dar bem com o estilo de ensino às vezes elíptico e ilusório de Tukey. É tentador especular que essa pode ter sido uma razão subjacente pela qual (A) evita gráficos de caixas e métodos exploratórios de Tukeyish em geral.
fonte
Sou estatístico, ensinei por 40 anos, principalmente para biólogos. A resposta de Nick Cox acima está morta. Na minha opinião, "FPP" ainda é de longe o melhor livro de introdução sobre estatísticas. Forte ênfase em conceitos, ótimos exemplos (embora eu desejasse que mais fossem da biologia!) E contra-exemplos (mostrando como 'o óbvio' às vezes pode estar errado) e exercícios. É uma leitura fácil, mas isso pode ser enganador: você precisa pensar. "Modelos Estatísticos" (Freedman) é um livro de segundo ou terceiro curso. Também é muito conceitual. Você provavelmente desejaria um livro mais padrão para aprender o básico dos métodos dos mínimos quadrados (regressão, anova etc.). Freedman está mais preocupado com quando os modelos são justificados (geralmente como boas aproximações à "verdade") e quando não. Muito importante agora, quando você pode executar modelos muito complexos com pouco mais do que pressionar um botão, mas não tem muita ideia do que você assumiu ou do que os resultados significam. O livro de Davison também é excelente, mas mais técnico e prático: descreve os modelos padrão mais importantes (e alguns menos padrão) em uma variedade de áreas e mostra maneiras de analisá-los.
fonte