贝叶斯统计学是一门基本思想与传统基于频率思想的统计学完全不同的统计学方法；它以其灵活性和先进性在现代的统计学中占据着重要的地位。
基于R语言的现代贝叶斯统计学方法（贝叶斯参数估计、贝叶斯回归、贝叶斯计算）
第一章 贝叶斯统计学的思想与概念
1.信念函数与概率
2.事件划分与贝叶斯法则
3.稀少事件的概率估计
4.可交换性
5.预测模型的构建
第二章 单参数模型
1.二项式模型与置信域
2.泊松模型与后验分布
3.指数族模型与共轭先验
第三章 蒙特卡罗逼近
1.蒙特卡罗方法
2.任意函数的后验推断
3.预测分布采样
4.后验模型检验
第四章 正态模型
1.均值与条件方差的推断
2.基于数学期望的先验
3.非正态分布的正态模型
第五章 吉布斯采样
1.半共轭先验分布
2.离散近似
3.条件分布中的采样
4.吉布斯采样算法及其性质
5.MCMC方法
第六章 多元正态分布与组比较
1.多元正态分布的密度
2.均值的半共轭先验
3.逆－Wishart分布
4.缺失数据与贝叶斯插补
5.组间比较
6.分层模型的均值与方差
第七章 线性回归
1.回归的本质与最小二乘法
2.回归的贝叶斯估计
3.模型的贝叶斯比较
4.吉布斯采样与模型平均
5.指数模型比较与选择
6.Python的Copula相关包介绍
第八章 非共轭先验与M-H算法
1.广义线性模型
2.泊松模型Metropolis算法
3.Metropolis-Hastings算法
4.M-H算法与吉布斯采样的组合
第九章 线性与广义线性混合效应模型
1.多层回归模型
2.全条件分布
3.广义线性混合效应模型
第十章 有序数据的隐变量模型
1.有序Probit回归
2.秩的似然
3.高斯Copula模型
基于R语言贝叶斯进阶:INLA下的贝叶斯回归、多层贝叶斯回归、生存分析、随机游走模型、广义可加模型、极端数据的贝叶斯分析等
贝叶斯回归方法作为传统回归技术在贝叶斯统计学中的拓展，在各个专业领域中都有着广泛的应用。然而。贝叶斯回归结合了回归和贝叶斯思想，其计算方法和技术以及模型结果的解释都较为复杂，准确应用贝叶斯回归，打通学科专业与贝叶斯回归间的壁垒。
第一章 贝叶斯模型的步骤
1.贝叶斯定理
2.先验与后验分布
3.假设检验
4.模型选择
5.贝叶斯计算方法简介
第二章 积分嵌套拉普斯近似
1.隐高斯模型
2.高斯－马尔科夫随机场
3.拉普拉斯近似与INLA
第三章 INLA下的贝叶斯回归
1.线性回归的贝叶斯推断
2.预测模型
3.贝叶斯下的模型选择
4.稳定回归
5.方差分析
6.Ridge回归
7.计数数据与泊松回归
8.偏斜数据的伽马回归
9.零膨胀数据建模
10.负二项回归初步
第四章 多层贝叶斯回归
1.随机效应多层模型
2.嵌套效应多层模型
3.面板（测量）数据的多层模型
4.计数数据的多层模型
第五章 生存分析
1.分段线性风险模型
2.分层比例风险模型
3.加速失效模型
4.脆弱模型
5.面板与时间－事件数据的联合建模
第六章 随机游走非参数模型
1.光滑曲线模型
2.非高斯数据模型
3.罚曲线回归
4.广义非参数回归
第七章 广义可加模型
1.可加曲线回归
2.广义可加混合效应模型
3.计数数据的广义可加模型
第八章 极端数据的贝叶斯分析与其它
1.极值统计学简介
2.极值统计学的贝叶斯估计
3.基于INLA的密度估计
关 注【科研充电吧】公 众 号，获取海量教程和资源
转载本文请联系原作者获取授权，同时请注明本文来自王艳科学网博客。
链接地址：https://wap.sciencenet.cn/blog-3539141-1496716.html?mobile=1
收藏
