In modern scanning electron microscopy, sample surface preparation is of key importance, just as it is in transmission electron microscopy. With the procedures for sample surface preparation provided in the present book, the enormous potential of advanced scanning electron microscopes can be realized fully. This will take the reader to an entirely new level of scanning electron microscopy and finely-detailed images never seen before. Written for: Scientists, practitioners, academic libraries, graduate students

In modern scanning electron microscopy, sample surface preparation is of key importance, just as it is in transmission electron microscopy. With the procedures for sample surface preparation provided in the present book, the enormous potential of advanced scanning electron microscopes can be realized fully. This will take the reader to an entirely new level of scanning electron microscopy and finely-detailed images never seen before.

Im Jahre 1979 hat Bradley Efron mit seiner Arbeit Bootstrap Methods: Another Look at the Jackknife das Tor zu einem in den vergangenen 30 Jahren intensiv bearbeiteten Forschungsgebiet aufgestossen. Die simulationsbasierte Methode des Bootstraps hat sich in den verschiedensten Bereichen als ein ausserordentlich - ?zientes Werkzeug zur Approximation der stochastischen Fluktuation eines Sch- zers um die zu schatzende Grosse erwiesen. Prazise Kenntnis dieser stochastischen Fluktuation ist zum Beispiel notwendig, um Kon?denzbereiche fur Schatzer an- geben, die die unbekannte interessierende Grosse mit einer vorgegebenen Wa- scheinlichkeit von, sagen wir, 95 oder 99% enthalten. In vielen Fallen und bei korrekter Anwendung ist das Bootstrapverfahren dabei der konkurrierenden und auf der Approximation durch eine Normalverteilung basierenden Methode ub- legen. Die Anzahl der Publikationen im Bereich des Bootstraps ist seit 1979 in einem atemberaubenden Tempo angestiegen. Die wesentliche und im Grunde e- fache Idee des Bootstraps ist die Erzeugung vieler (Pseudo-) Datensatze, die von ihrer wesentlichen stochastischen Struktur dem Ausgangsdatensatz moglichst a- lich sind. Die aktuellen Forschungsinteressen im Umfeld des Bootstraps bewegen sich zu einem grossen Teil im Bereich der stochastischen Prozesse. Hier stellt sich die zusatzliche Herausforderung, bei der Erzeugung die Abhangigkeitsstruktur der Ausgangsdaten adaquat zu imitieren. Dabei ist eine prazise Analyse der zugrunde liegenden Situation notwendig, um beurteilen zu konnen, welche Abhangigkei- aspekte fur das Verhalten der Schatzer wesentlich sind und welche nicht, um a- reichend komplexe, aber eben auch moglichst einfache Resamplingvorschlage fur die Erzeugung der Bootstrapdaten entwickeln zu konnen."

Bayesian Approaches to Shrinkage and Sparse Estimation introduces the reader to the world of Bayesian model determination by surveying modern shrinkage and variable selection algorithms and methodologies. Bayesian inference is a natural probabilistic framework for quantifying uncertainty and learning about model parameters, and this feature is particularly important for inference in modern models of high dimensions and increased complexity. The authors begin with a linear regression setting in order to introduce various classes of priors that lead to shrinkage/sparse estimators of comparable value to popular penalized likelihood estimators (e.g. ridge, LASSO). They examine various methods of exact and approximate inference, and discuss their pros and cons. Finally, they explore how priors developed for the simple regression setting can be extended in a straightforward way to various classes of interesting econometric models. In particular, the following case-studies are considered that demonstrate application of Bayesian shrinkage and variable selection strategies to popular econometric contexts: i) vector autoregressive models; ii) factor models; iii) time-varying parameter regressions; iv) confounder selection in treatment effects models; and v) quantile regression models. A MATLAB package and an accompanying technical manual allows the reader to replicate many of the algorithms described in this review.