Einführung in die moderne Statistik, 2. Auflage

 (openintro-ims2.netlify.app)
4 Punkte von GN⁺ 2023-10-13 | 1 Kommentare | Auf WhatsApp teilen
  • Das Statistiklehrbuch Introduction to Modern Statistics, 2. Auflage des OpenIntro-Projekts ist kostenlos im Web verfügbar
  • Der Lehrbuchtext kann im Web dauerhaft kostenlos gelesen werden; die PDF ist über Leanpub kostenlos oder gegen einen selbst gewählten Beitrag erhältlich
  • Das schwarz-weiße Paperback wird für 25 US-Dollar verkauft; der Copyright-Hinweis nennt 2024, das Versionsdatum ist der 31. März 2026
  • Ergänzende Materialien, darunter Folien, Übungen und interaktive Tutorials, können ebenfalls kostenlos unter openintro.org/book/ims heruntergeladen werden
  • Dieses Lehrbuch ist ein abgeleitetes Werk bestehender OpenIntro-Statistiklehrbücher und steht unter der CC BY-SA 3.0 Unported United States License

Kostenloses Statistiklehrbuch von OpenIntro

  • Introduction to Modern Statistics, Second Edition ist ein Statistiklehrbuch von Mine Çetinkaya-Rundel und Johanna Hardin
  • Das Lehrbuch wird als IMS bezeichnet und ist Teil des OpenIntro-Projekts
  • Die Website wird bei Netlify gehostet

Nutzungsformen und Preise

  • Der Lehrbuchtext wird im Web dauerhaft kostenlos angeboten
  • Über Download PDF kann die PDF bei Leanpub bezogen werden
    • Die PDF ist kostenlos oder gegen einen vom Nutzer gewählten Beitrag erhältlich
  • Das schwarz-weiße Paperback kann für 25 US-Dollar gekauft werden
  • Der Copyright-Hinweis nennt 2024, das Versionsdatum ist der 31. März 2026

Ergänzende Materialien und Lizenz

  • Das Lehrbuch und die ergänzenden Materialien können kostenlos unter openintro.org/book/ims heruntergeladen werden
    • Die ergänzenden Materialien umfassen Folien, Übungen und interaktive Tutorials
  • Dieses Lehrbuch ist ein abgeleitetes Werk von OpenIntro Statistics 4th Edition und Introduction to Statistics with Randomization and Simulation 1st Edition
  • Die Lizenz ist die Creative Commons Attribution-ShareAlike 3.0 Unported United States License
  • Details zur Lizenz sind unter creativecommons.org zu finden
  • Die Quelldateien liegen auf GitHub unter github.com/openintrostat/ims

Verwandte Beiträge

1 Kommentare

 
GN⁺ 2023-10-13
Meinungen auf Hacker News

  • Ich finde, dass die Statistiklehre dank Computerzugänglichkeit gerade ziemlich erneuert wird
    Zum Beispiel führt man Hypothesentests über Randomisierung[1] ein und verwendet zufällige Permutationstests[2]
    Als ich Statistik auf traditionelle Weise gelernt habe, bekam ich nur eine kochbuchartige Liste wie „in dieser Situation der t-Test, in jener Situation der Chi-Quadrat-Test“ beigebracht und verstand nicht, warum man diese Tests verwenden sollte oder woher sie kamen
    Für einen ähnlichen Ansatz in einem etwas anderen Kontext siehe auch [3]
    [1]: https://openintro-ims2.netlify.app/11-foundations-randomizat...
    [2]: https://en.wikipedia.org/wiki/Permutation_test
    [3]: https://inferentialthinking.com/chapters/11/1/Assessing_a_Mo...

    • Statistik zu unterrichten ist schwierig, weil die Mathematik, die man braucht, um zu beweisen und intuitiv zu verstehen, warum die Methoden korrekt sind, weit über dem Niveau liegt, das in Einführungskursen zur Statistik behandelt wird
      Gosset entwickelte den t-Test und bewies seine Gültigkeit, aber Studierenden wird oft beigebracht, ihn wie eine Blackbox anzuwenden, ohne ein grundlegendes Verständnis dafür zu haben, warum er funktioniert; das ist pädagogisch nicht ideal
      An diesem Punkt halte ich bayessche Statistik für deutlich besser. Die Logik und die daran anschließende Curry-Howard-Isomorphie sind sehr tiefgehend, und man kann sie auch über konjugierte Verteilungen mit geschlossenen analytischen Lösungen einführen
      Komplexeres ist Aufgabe des Computers, und mit Tools wie STAN lassen sich auch komplexe Verteilungen behandeln, die deutlich ausgefeilter sind als bei frequentistischen Methoden
    • Ich hatte ähnliche Gedanken, aber am Ende macht wohl eher den größeren Unterschied, was man beim ersten Hören bereits im Kopf hatte
      Permutationstests waren befriedigend, weil sie das einordneten, was ich aus der Verteilungstheorie kannte; ob sie denselben Effekt gehabt hätten, wenn ich überhaupt keine Verteilungstheorie gekannt hätte, weiß ich nicht
      Wenn man mathematische Statistik studiert, lernt man sie nicht kochbuchartig. Auf der Grundstufe lernt man Wahrscheinlichkeitstheorie und Verteilungstheorie sowie verschiedene Verteilungen, und Hypothesentests, Regression, Varianzanalyse usw. schließen daran an
      Forschende Wissenschaftler lernen Statistik dagegen oft in kurzen fachspezifischen Kursen, etwa Statistik für Biologen, und scheinen Statistik deshalb als Sammlung von Rezepten kennenzulernen
    • Brilliant hat ebenfalls einen recht gut ausgearbeiteten interaktiven Statistik-Kurs: https://brilliant.org/courses/statistics/
    • Eine gängige Art, klassische Statistik zu lehren, scheint zu sein, mit dem Binomialtest zu beginnen
      Die Binomialverteilung ist recht konkret, sodass Studierende das Konzept des p-Werts gut erfassen können; danach wird es mit Normalverteilung, t-Verteilung usw. zunehmend abstrakt und driftet in Richtung „wann benutzt man was“-Kochbuch ab

  • Ich schätze und mag didaktische Versuche in diesem Bereich sehr, insbesondere in Form offener Lehrmaterialien, aber Statistik für Einsteiger auf diese allgemeine Weise zu unterrichten, gefällt mir wirklich nicht
    Ich hoffe, dass man sich mit der Zeit von behelfsmäßigen Nullhypothesen-Signifikanztests wegbewegt, hin zu linearen Modellen als Schwerpunkt und zu einem bayesschen Ansatz als Standard
    Ich halte das schon in Einführungskursen von Anfang an für möglich; der folgende Link ist dafür hilfreich: https://lindeloev.github.io/tests-as-linear/#:~:text=Most%20...

    • Ich lese gerade McElreaths Statistical Rethinking und stimme dieser Sichtweise vollkommen zu
    • Ich stimme zu, auf einer integrierten Basis generalisierter linearer Modelle zu unterrichten
      Der Ansatz „Bayes als Standard“ fühlt sich allerdings so an, als bewege man sich auf etwas unsichereres Terrain
    • Für manche Leute passt diese Idee meiner Meinung nach gut. Besonders für Menschen, die gut mit Abstraktionen umgehen können
      Software Engineers haben diese Fähigkeit normalerweise, die meisten Nutzer von Statistik aber nicht
      Wenn man Sozialwissenschaftlern, die Zahlen oder Formeln an sich nicht mögen, die Ähnlichkeit dieser linearen Methoden und eine Erklärung im Sinne von „alles ist eins“ vermitteln will, dürfte das sie eher noch mehr verwirren
      Falls jemand dennoch ein randomisiertes Experiment durchführt, bei dem die Wirkung beider Methoden mit einem geeigneten linearen Modell geschätzt wird, würde ich unbedingt davon hören wollen. Das wäre wohl ein 10-von-10-Experiment
      [1]: https://lindeloev.github.io/tests-as-linear/#41_one_sample_t...
    • Ich frage mich, ob es Material gibt, mit dem man jetzt als Versuchsperson ohne nennenswerte Statistik-Ausbildung starten könnte

  • Schön, hier unter den Autoren Mine Çetinkaya-Rundel zu sehen
    Viele kennen sie wahrscheinlich durch „R for Data Science“(https://r4ds.had.co.nz/), zu dem sie beigetragen hat, aber sie hat auch viele hervorragende Arbeiten zur Data-Science-Ausbildung veröffentlicht

  • Eines meiner Lieblingsbücher zu Statistik und Wahrscheinlichkeit ist Regression and Other Stories von Andrew Gelman, Jennifer Hill und Aki Vehtari
    Man kann es hier kostenlos lesen: https://users.aalto.fi/~ave/ROS.pdf

    • Ein hervorragendes Lehrbuch, und wie der zweite Titel andeutet, ist es auch nicht nur für die Sozialwissenschaften nützlich

  • Ich frage mich, ob es ein Buch für die Phase vor der Statistik gibt, das die Denkweise und Konzepte vermittelt, die man braucht, um Statistik zu verstehen

    • Ich halte ein Wahrscheinlichkeitstheorie-Buch auf Bachelor-Niveau, das nicht bis zur Maßtheorie geht, ergänzt um grundlegende lineare Algebra und Analysis, für die beste Vorbereitung
      Wenn man die grundlegenden Werkzeuge der Wahrscheinlichkeit solide versteht, kann man Statistik ziemlich leicht lernen
      Ohne dieses Verständnis wirkt Statistik wahrscheinlich wie eine Sammlung von Rezepten
      Umgekehrt kann man, wenn man mit Wahrscheinlichkeit vertraut ist, das tatsächliche Problem, das man hat, mathematisch formulieren und mit etwas Suchen die nötigen Statistik-Tools finden
    • Dieses Buch scheint genau dort anzusetzen, wo es nötig ist
      Viel mehr als grundlegende Analysis braucht man nicht
      Viele Menschen haben schon früh wegen schlechter Lehrer eine mentale Barriere wie „Ich bin schlecht in Mathe“ aufgebaut
      Spring einfach hinein, du wirst es nicht bereuen

  • Ronald Fisher mag für die Berechnung von Konfidenzintervallen kein Bootstrapping verwendet haben, aber der Großteil des restlichen Lehrplans sieht so aus, als hätte er ihn Anfang des 20. Jahrhunderts praktisch erfunden :-)

  • Ich habe ein umfassendes Cheatsheet zum Statistiklernen zusammengestellt: https://github.com/mavam/stat-cookbook

  • Mir gefällt, dass Randomisierung und Bootstrapping enthalten sind
    Allerdings ist es schade, dass das Hypothesen-Framework weiterhin NHST ist. In keinem Sinne kann man das als „modern“ bezeichnen

    • In der Statistik-Community scheint es keinen breiten Konsens darüber zu geben, wodurch NHST ersetzt werden sollte
      Wenn man zu Bayes wechseln will, müsste man den Kurs komplett neu schreiben
      Ich habe auch gesehen, dass Konfidenzintervalle als Alternative vorgeschlagen werden, aber auch dagegen gibt es Einwände
      Ich habe sogar Argumente gesehen, dass man Hypothesentests überhaupt nicht verwenden sollte
      Da NHST weiterhin weit verbreitet ist und es keine klare Alternative gibt, halte ich es eher für schädlich, es Studierenden nicht vorzustellen

  • Ich frage mich, welche guten Statistikbücher sich zum Selbststudium eignen

    • Das hängt davon ab, wo du anfangen und was du lernen möchtest
      Das verlinkte Buch ist ein Einführungsbuch fürs erste Studienjahr, und diese Rolle erfüllt es gut
      Wenn du weitergehen möchtest, gibt es viele Optionen
      Casella und Bergers Statistical Inference hat einen sehr guten Ruf als Buch, das Statistik aus ersten Prinzipien aufbaut. Ich werde es nicht verlinken, aber mit einer kurzen Suche findet man einen vollständigen PDF-Scan. Amazon-Rezensionen: https://www.amazon.com/Statistical-Inference-Roger-Berger/dp...
      Statistics von Freedman, Pisani und Purves hat ebenfalls sehr gute Rezensionen und ist online leicht zu finden. Amazon-Rezensionen: https://www.amazon.com/Statistics-Fourth-David-Freedman-eboo...
      Die meisten Bücher des Kerncurriculums für Data Science in Berkeley sind ebenfalls online. Es ist nicht reine Statistik, aber es lehrt auf moderne Weise mit Berechnung und Randomisierung und behandelt außerdem Werkzeuge, die es wert sind, gelernt zu werden
      Data 8: https://inferentialthinking.com/chapters/intro.html, Data 100: https://learningds.org/intro.html, Data 140: http://prob140.org/textbook/content/README.html, Data 102: https://data102.org/fa23/resources/#textbooks-from-previous-...
      Es gibt nicht nur das Berkeley-Curriculum; es gibt Dutzende, vielleicht Hunderte von Online-Kursen. Der Bereich ist allerdings ziemlich breit, und als ich mich zuletzt mit Data-Science-Ausbildung beschäftigt habe, habe ich am meisten die Berkeley-Materialien gelesen
    • Ich mag Statistical Rethinking
      Es richtet sich an Doktoranden in den Naturwissenschaften und konzentriert sich darauf, „wie man Statistik nutzen kann, um wissenschaftliche Hypothesen zu testen und Kausalität herauszuarbeiten“
      Mathematisch geht es nicht sehr tief, erwartet aber, dass die Lesenden ein gewisses mathematisches Gefühl haben und es gewohnt sind, auch ohne Statistik Daten zu analysieren
      Im Grunde behandelt es nur Bayes-Modelle und wie man sie am Computer fitten kann; die frequentistische Seite kommt daher kaum vor
    • ISLR/ISLP ist kostenlos, ich habe es im Masterstudium verwendet, und es war ausgezeichnet
      Es gibt auch eine begleitende Videoreihe: https://www.statlearning.com/
    • Ich mag Statistical Inference von George Casella und Roger Lee Berger besonders
      Auch Introduction to Probability von Joseph K. Blitzstein und Jessica Hwang ist sehenswert. Es ist kostenlos verfügbar: http://probabilitybook.net (leitet zu Drive weiter)
    • Als eher einführendes Buch aus der Perspektive von „jemandem, der programmieren kann“, gibt es https://greenteapress.com/wp/think-stats-2e/
      Wenn es dir gefällt, lohnt sich auch das ähnliche Think Bayes
      Außerdem gibt es https://nostarch.com/learnbayes
      Wenn du bereits Statistikgrundlagen hast und sie aus einer deutlich anderen, stärker kausalen und bayesianischen Perspektive neu lernen möchtest, kann ich auch Statistical Rethinking empfehlen