Introduction to Modern Statistics ฉบับพิมพ์ครั้งที่ 2

 (openintro-ims2.netlify.app)
4 คะแนน โดย GN⁺ 2023-10-13 | 1 ความคิดเห็น | แชร์ทาง WhatsApp
  • ตำราสถิติ Introduction to Modern Statistics ฉบับพิมพ์ครั้งที่ 2 ของโครงการ OpenIntro เปิดให้อ่านฟรีบนเว็บ
  • เนื้อหาตำราสามารถอ่านฟรีบนเว็บได้เสมอ และรับไฟล์ PDF ได้บน Leanpub แบบฟรีหรือจ่ายเงินสนับสนุนตามจำนวนที่เลือก
  • ฉบับ ปกอ่อน ขาวดำวางจำหน่ายในราคา 25 ดอลลาร์ โดยระบุลิขสิทธิ์ปี 2024 และวันที่เวอร์ชันคือ 31 มีนาคม 2026
  • เอกสารประกอบที่รวม สไลด์ แบบฝึกปฏิบัติ และบทเรียนแบบอินเทอร์แอ็กทีฟ สามารถดาวน์โหลดฟรีได้ที่ openintro.org/book/ims
  • ตำราเล่มนี้เป็นงานดัดแปลงจากตำราสถิติ OpenIntro เดิม และเผยแพร่ภายใต้ CC BY-SA 3.0 Unported United States License

ตำราสถิติฟรีจาก OpenIntro

  • Introduction to Modern Statistics, Second Edition เป็นตำราสถิติของ Mine Çetinkaya-Rundel และ Johanna Hardin
  • ตำราเล่มนี้เรียกโดยย่อว่า IMS และเป็นส่วนหนึ่งของโครงการ OpenIntro
  • เว็บไซต์โฮสต์อยู่บน Netlify

รูปแบบการใช้งานและราคา

  • เนื้อหาตำราเปิดให้อ่านบนเว็บแบบ ฟรีเสมอ
  • สามารถรับ PDF ได้ผ่าน Download PDF บน Leanpub
    • PDF เปิดให้รับฟรีหรือจ่ายเงินสนับสนุนตามจำนวนที่ผู้ใช้เลือก
  • ฉบับปกอ่อนขาวดำสามารถซื้อได้ในราคา 25 ดอลลาร์
  • ระบุลิขสิทธิ์เป็น ปี 2024 และวันที่เวอร์ชันคือ 31 มีนาคม 2026

เอกสารประกอบและสัญญาอนุญาต

  • สามารถดาวน์โหลดตำราและเอกสารประกอบได้ฟรีที่ openintro.org/book/ims
    • เอกสารประกอบมี สไลด์ แบบฝึกปฏิบัติ และบทเรียนแบบอินเทอร์แอ็กทีฟ
  • ตำราเล่มนี้เป็นงานดัดแปลงจาก OpenIntro Statistics 4th Edition และ Introduction to Statistics with Randomization and Simulation 1st Edition
  • สัญญาอนุญาตคือ Creative Commons Attribution-ShareAlike 3.0 Unported United States License
  • ดูรายละเอียดสัญญาอนุญาตได้ที่ creativecommons.org
  • ไฟล์ต้นฉบับอยู่บน GitHub ที่ github.com/openintrostat/ims

บทความที่เกี่ยวข้อง

1 ความคิดเห็น

 
GN⁺ 2023-10-13
ความคิดเห็นจาก Hacker News

  • ผมมองว่า การศึกษาด้านสถิติกำลังถูกพลิกโฉมไปไม่น้อยด้วย การเข้าถึงคอมพิวเตอร์
    เช่น แนะนำการทดสอบสมมติฐานผ่านการสุ่ม[1] และใช้ การทดสอบแบบสลับลำดับแบบสุ่ม[2]
    ตอนเรียนสถิติแบบดั้งเดิม เราได้เรียนแค่รายการแบบตำราอาหารทำนองว่า “สถานการณ์นี้ใช้ t-test สถานการณ์นั้นใช้ chi-square test” แต่ไม่เข้าใจว่าทำไมต้องใช้การทดสอบเหล่านั้นหรือมันมาจากไหน
    ถ้าอยากดูแนวทางคล้ายกันในบริบทที่ต่างออกไปเล็กน้อย ก็มี [3] ด้วย
    [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...

    • เหตุผลที่สอนสถิติได้ยาก คือคณิตศาสตร์ที่จำเป็นต่อการพิสูจน์และทำความเข้าใจเชิงสัญชาตญาณว่าทำไมวิธีนั้นถึงถูกต้อง มักสูงกว่าระดับที่ครอบคลุมในวิชาสถิติพื้นฐานมาก
      Gosset สร้าง t-test และพิสูจน์ความถูกต้องของมัน แต่บ่อยครั้งนักศึกษาถูกสอนให้ใช้งานมันเหมือนกล่องดำ โดยไม่มีความเข้าใจพื้นฐานว่าทำไมมันถึงถูกต้อง ซึ่งไม่ดีในเชิงการศึกษา
      ในจุดนี้ผมมองว่า สถิติแบบเบย์ ดีกว่ามาก ความเชื่อมโยงกับตรรกะและ Curry-Howard isomorphism นั้นลึกซึ้งมาก และยังสามารถเริ่มต้นด้วย conjugate distribution ที่มีคำตอบเชิงวิเคราะห์แบบ closed-form ได้ด้วย
      ส่วนที่ซับซ้อนกว่านั้นก็เป็นงานของคอมพิวเตอร์ และด้วยเครื่องมืออย่าง STAN เราสามารถจัดการการแจกแจงซับซ้อนที่ประณีตกว่าวิธีแบบ frequentist ได้มาก
    • ผมเคยคิดคล้ายกัน แต่สุดท้ายแล้วคิดว่าสิ่งที่อยู่ในหัวตอนเริ่มฟังครั้งแรกต่างหากที่สร้างความแตกต่างมากกว่า
      Permutation test ทำให้สิ่งที่ผมรู้จากทฤษฎีการแจกแจงเป็นระบบขึ้น จึงรู้สึกน่าพอใจ แต่ถ้าไม่รู้ทฤษฎีการแจกแจงเลย ก็ไม่แน่ใจว่าจะได้ผลแบบเดียวกันหรือไม่
      ถ้าเรียนสถิติเชิงคณิตศาสตร์ จะไม่ได้เรียนแบบตำราอาหาร ในระดับพื้นฐานจะเรียนทฤษฎีความน่าจะเป็น ทฤษฎีการแจกแจง และการแจกแจงต่าง ๆ จากนั้นการทดสอบสมมติฐาน รีเกรสชัน และการวิเคราะห์ความแปรปรวนจึงต่อยอดมาจากตรงนั้น
      ในทางกลับกัน นักวิทยาศาสตร์สายวิจัยมักเรียนคอร์สสั้นสำหรับสาขาเฉพาะ เช่น สถิติสำหรับนักชีววิทยา จึงดูเหมือนว่าพวกเขาเจอสถิติในรูปแบบชุดสูตรสำเร็จ
    • Brilliant ก็มี คอร์สสถิติแบบโต้ตอบ ที่ขัดเกลามาดีทีเดียว: https://brilliant.org/courses/statistics/
    • วิธีที่พบบ่อยเวลาเริ่มสอนสถิติคลาสสิก ดูเหมือนจะเริ่มจาก binomial test
      การแจกแจงทวินามค่อนข้างเป็นรูปธรรม จึงช่วยให้นักศึกษาเข้าใจแนวคิด p-value ได้ดี แต่หลังจากนั้นพอไปสู่การแจกแจงปกติ การแจกแจง t ฯลฯ ก็จะค่อย ๆ นามธรรมขึ้น และไหลไปเป็นแนวตำราอาหารว่า “เมื่อไรใช้อะไร”

  • ผมชื่นชมและชอบความพยายามด้านการศึกษาในสาขานี้ โดยเฉพาะในรูปแบบตำราเปิด แต่ไม่ชอบจริง ๆ ที่สอนสถิติเบื้องต้นด้วยแนวทางโดยรวมแบบนี้
    หวังว่าเมื่อเวลาผ่านไป จะค่อย ๆ เลิกใช้ การทดสอบนัยสำคัญของสมมติฐานว่าง แบบแก้ขัด แล้วเปลี่ยนไปเน้นโมเดลเชิงเส้น และใช้แนวทางแบบเบย์เป็นค่าเริ่มต้น
    ผมเชื่อว่าแม้ในคอร์สเบื้องต้นก็ทำได้ตั้งแต่แรก และลิงก์ด้านล่างเป็นข้อมูลอ้างอิงได้: https://lindeloev.github.io/tests-as-linear/#:~:text=Most%20...

    • กำลังอ่าน Statistical Rethinking ของ McElreath อยู่ และเห็นด้วยกับมุมมองนี้อย่างเต็มที่
    • เห็นด้วยกับการสอนบนพื้นฐาน generalized linear model ที่เป็นหนึ่งเดียว
      แต่แนวทาง “แบบเบย์เป็นค่าเริ่มต้น” ให้ความรู้สึกเหมือนเดินไปในทิศทางที่ยังไม่แน่นอนมากขึ้นเล็กน้อย
    • ผมคิดว่าแนวคิดนี้เหมาะกับบางคน โดยเฉพาะคนที่จัดการกับนามธรรมได้ดี
      วิศวกรซอฟต์แวร์มักมีความสามารถนี้ แต่ผู้ใช้สถิติส่วนใหญ่ไม่ได้เป็นแบบนั้น
      ถ้าพยายามอธิบายความคล้ายกันของวิธีเชิงเส้นเหล่านี้และแนวคิดทำนองว่า “ทุกอย่างคือสิ่งเดียวกัน” ให้กับนักสังคมศาสตร์ที่ไม่ได้ชอบตัวเลขหรือสมการอยู่แล้ว ฟังแล้วมีโอกาสสับสนยิ่งกว่าเดิม
      อย่างไรก็ดี ถ้ามีการทำ การทดลองแบบสุ่ม เพื่อประเมินผลของสองวิธีด้วยโมเดลเชิงเส้นที่เหมาะสม ก็อยากให้บอกกันด้วย น่าจะเป็นการทดลองระดับ 10/10 เลย
      [1]: https://lindeloev.github.io/tests-as-linear/#41_one_sample_t...
    • สงสัยว่ามีสื่อการเรียนที่ควรเริ่มลองตอนนี้ในฐานะ ผู้ถูกทดลอง ที่แทบไม่มีพื้นฐานสถิติหรือไม่

  • ดีใจที่เห็นว่าในรายชื่อผู้เขียนมี Mine Çetinkaya-Rundel อยู่ด้วย
    หลายคนคงคุ้นกับเธอจาก “R for Data Science”(https://r4ds.had.co.nz/) ที่เธอมีส่วนร่วม แต่เธอยังมีบทความวิจัยยอดเยี่ยมจำนวนมากเกี่ยวกับการศึกษาด้านวิทยาศาสตร์ข้อมูลด้วย

    • เธอมีคอร์สออนไลน์บน Coursera ด้วย(https://www.coursera.org/instructor/minecetinkayarundel)
      เป็นหนึ่งในผู้สอนที่ดีที่สุดเท่าที่เคยเห็นมาอย่างไม่ต้องสงสัย

  • หนึ่งในหนังสือสถิติและความน่าจะเป็นที่ผมชอบที่สุดคือ Regression and Other Stories ของ Andrew Gelman, Jennifer Hill และ Aki Vehtari
    อ่านฟรีได้ที่นี่: https://users.aalto.fi/~ave/ROS.pdf

    • เป็นตำราที่ยอดเยี่ยม และอย่างที่ชื่อรองสื่อไว้ มันไม่ได้มีประโยชน์เฉพาะกับสังคมศาสตร์เท่านั้น

  • สงสัยว่ามีหนังสือ ขั้นก่อนสถิติ ที่สอนวิธีคิดและแนวคิดที่จำเป็นต่อการทำความเข้าใจสถิติหรือไม่

    • ผมคิดว่าการเตรียมตัวที่ดีที่สุดคือหนังสือ ทฤษฎีความน่าจะเป็น ระดับปริญญาตรีที่ยังไม่ไปถึงทฤษฎีการวัด บวกกับพีชคณิตเชิงเส้นและแคลคูลัสพื้นฐาน
      ถ้าเข้าใจเครื่องมือพื้นฐานของความน่าจะเป็นอย่างแน่นหนา ก็จะเรียนสถิติได้ค่อนข้างง่าย
      ถ้าไม่มีความเข้าใจนั้น สถิติมีแนวโน้มจะดูเหมือนชุดสูตรสำเร็จ
      ในทางกลับกัน ถ้าคุ้นเคยกับความน่าจะเป็น ก็จะสามารถตั้งโจทย์จริงที่มีอยู่ให้อยู่ในรูปสมการ และค้นหาเครื่องมือสถิติที่ต้องใช้ได้ด้วยการค้นหาอีกเล็กน้อย
    • หนังสือเล่มนี้ดูเหมือนจะเริ่มตรงจุดที่จำเป็นพอดี
      ไม่ต้องใช้มากกว่าแคลคูลัสพื้นฐานนัก
      หลายคนมักมีอุปสรรคทางใจทำนองว่า “ฉันไม่เก่งคณิตศาสตร์” เพราะเคยเจอครูที่ไม่ดีตอนเด็ก
      แค่ลองกระโดดเข้าไปเลย แล้วจะไม่เสียใจ

  • Ronald Fisher อาจไม่ได้ใช้ bootstrap ในการคำนวณช่วงความเชื่อมั่น แต่หลักสูตรส่วนที่เหลือส่วนใหญ่ดูเหมือนแทบจะเป็นสิ่งที่เขาสร้างไว้ตั้งแต่ต้นทศวรรษ 1900 :-)

  • ผมทำ cheatsheet รวมสำหรับเรียนสถิติไว้: https://github.com/mavam/stat-cookbook

  • ชอบที่มี randomization และ bootstrapping
    แต่เสียดายที่กรอบสมมติฐานยังคงเป็น NHST อยู่ จะมองว่า “สมัยใหม่” ในความหมายใดก็คงยาก

    • ในชุมชนสถิติยังไม่เห็นฉันทามติกว้าง ๆ ว่าควรใช้อะไรแทน NHST
      ถ้าจะไปทางเบย์ ก็ต้องเขียนวิชาใหม่ทั้งหมด
      เคยเห็นบางคนเสนอช่วงความเชื่อมั่นเป็นทางเลือก แต่ตรงนั้นก็มีข้อโต้แย้งเช่นกัน
      เคยเห็นข้อเสนอว่าไม่ควรใช้การทดสอบสมมติฐานเลยด้วย
      ในสถานการณ์ที่ NHST ยังถูกใช้อย่างแพร่หลายและไม่มีทางเลือกที่ชัดเจน ผมคิดว่าการไม่แนะนำให้นักศึกษารู้จักกลับจะเป็นโทษมากกว่า

  • สงสัยว่ามี หนังสือสถิติ ดี ๆ เล่มไหนที่เหมาะสำหรับเรียนด้วยตัวเองบ้าง

    • ขึ้นอยู่กับว่าจะเริ่มจากตรงไหนและอยากเรียนรู้อะไร
      หนังสือที่ลิงก์ไว้เป็นหนังสือปูพื้นสำหรับปีหนึ่ง และทำหน้าที่นั้นได้ดี
      ถ้าอยากไปต่อก็มีตัวเลือกมากมาย
      Statistical Inference ของ Casella และ Berger มีชื่อเสียงดีมากในฐานะหนังสือที่สร้างสถิติขึ้นมาจากหลักการแรกเริ่ม จะไม่ใส่ลิงก์ไว้ แต่ถ้าค้นหาง่าย ๆ ก็จะเจอไฟล์สแกน PDF ฉบับเต็ม รีวิว Amazon: https://www.amazon.com/Statistical-Inference-Roger-Berger/dp...
      Statistics ของ Freedman, Pisani, Purves ก็ได้รีวิวดีมากและหาออนไลน์ได้ง่าย รีวิว Amazon: https://www.amazon.com/Statistics-Fourth-David-Freedman-eboo...
      หนังสือส่วนใหญ่ในหลักสูตรแกนกลางด้านวิทยาการข้อมูลของ Berkeley ก็มีออนไลน์ แม้ไม่ใช่สถิติล้วน ๆ แต่สอนในแนวทางสมัยใหม่ที่ใช้การคำนวณและการสุ่ม และครอบคลุมเครื่องมือที่ควรเรียนรู้ไว้
      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-...
      ไม่ใช่ว่ามีแต่หลักสูตรของ Berkeley เท่านั้น หลักสูตรออนไลน์มีเป็นสิบ ๆ หรืออาจเป็นร้อย ๆ แต่ขอบเขตค่อนข้างกว้าง และตอนสำรวจการศึกษาวิทยาการข้อมูลยุคหลัง ๆ ฝั่ง Berkeley เป็นฝั่งที่ผมอ่านมากที่สุด
    • ชอบ Statistical Rethinking
      หนังสือมุ่งเป้าไปที่นักศึกษาปริญญาเอกสายวิทยาศาสตร์ โดยเน้นว่า “จะใช้สถิติอย่างไรเพื่อทดสอบสมมติฐานทางวิทยาศาสตร์และแยกแยะความเป็นเหตุเป็นผล”
      ไม่ได้ลงลึกทางคณิตศาสตร์มากนัก แต่คาดหวังว่าผู้อ่านจะมีเซนส์เชิงคณิตศาสตร์ระดับหนึ่ง และคุ้นเคยกับการวิเคราะห์ข้อมูลแม้ไม่มีสถิติ
      โดยพื้นฐานแล้วครอบคลุมเฉพาะโมเดลแบบเบย์และวิธีฟิตด้วยคอมพิวเตอร์ จึงแทบไม่แตะฝั่ง frequentist
    • ISLR/ISLP ฟรี และผมเคยใช้ในหลักสูตรปริญญาโท ซึ่งยอดเยี่ยมมาก
      ยังมีชุดวิดีโอที่ให้มาด้วย: https://www.statlearning.com/
    • ชอบ Statistical Inference ของ George Casella และ Roger Lee Berger เป็นพิเศษ
      Introduction to Probability ของ Joseph K. Blitzstein และ Jessica Hwang ก็น่าอ่าน มีให้อ่านฟรี: http://probabilitybook.net (รีไดเร็กต์ไปยัง drive)
    • สำหรับหนังสือที่เป็นเชิงปูพื้นมากกว่าและเข้าจากมุมมองของ “คนที่เขียนโค้ดเป็น” มี https://greenteapress.com/wp/think-stats-2e/
      ถ้าชอบเล่มนี้ Think Bayes ที่คล้ายกันก็น่าอ่าน
      อีกเล่มคือ https://nostarch.com/learnbayes
      ถ้ามีพื้นฐานสถิติอยู่แล้วและอยากเรียนใหม่จากมุมมองที่ต่างออกไปมาก เป็นเชิงเหตุและผลและเบย์มากขึ้น ก็แนะนำ Statistical Rethinking ได้เช่นกัน