Bedankt voor het vertrouwen het afgelopen jaar! Om jou te bedanken bieden we GRATIS verzending (in België) aan op alles gedurende de hele maand januari.

Afhalen na 1 uur in een winkel met voorraad
In januari gratis thuislevering in België
Ruim aanbod met 7 miljoen producten

Bedankt voor het vertrouwen het afgelopen jaar! Om jou te bedanken bieden we GRATIS verzending (in België) aan op alles gedurende de hele maand januari.

Afhalen na 1 uur in een winkel met voorraad
In januari gratis thuislevering in België
Ruim aanbod met 7 miljoen producten

Winkels

Verlanglijstje

Winkels

Verlanglijstje

Zoeken

Volg ons op

140 winkels

Wist je dat er in Vlaanderen voor iedereen een Standaard Boekhandel is binnen een straal van 7 km?

Vind hier een winkel

€ 305,45

+ 610 punten

Uitvoering

Levering 2 à 3 weken

Eenvoudig bestellen

Veilig betalen

In januari gratis thuislevering in België (via bpost)

Gratis levering in je Standaard Boekhandel

Omschrijving

This book introduces Bayesian data analysis and Bayesian cognitive modeling to students and researchers in cognitive science (e.g., linguistics, psycholinguistics, psychology, computer science), with a particular focus on modeling data from planned experiments. The book relies on the probabilistic programming language Stan and the R package brms, which is a front-end to Stan. The book only assumes that the reader is familiar with the statistical programming language R, and has basic high school exposure to pre-calculus mathematics; some of the important mathematical constructs needed for the book are introduced in the first chapter.

Through this book, the reader will be able to develop a practical ability to apply Bayesian modeling within their own field. The book begins with an informal introduction to foundational topics such as probability theory, and univariate and bi-/multivariate discrete and continuous random variables. Then, the application of Bayes' rule for statistical inference is introduced with several simple analytical examples that require no computing software; the main insight here is that the posterior distribution of a parameter is a compromise between the prior and the likelihood functions. The book then gradually builds up the regression framework using the brms package in R, ultimately leading to hierarchical regression modeling (aka the linear mixed model). Along the way, there is detailed discussion about the topic of prior selection, and developing a well-defined workflow. Later chapters introduce the Stan programming language, and cover advanced topics using practical examples: contrast coding, model comparison using Bayes factors and cross-validation, hierarchical models and reparameterization, defining custom distributions, measurement error models and meta-analysis, and finally, some examples of cognitive models: multinomial processing trees, finite mixture models, and accumulator models. Additional chapters, appendices, and exercises are provided as online materials and can be accessed here: https: //github.com/bnicenboim/bayescogsci.