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。

一：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二：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

三：INLA下的贝叶斯回归（一）

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

四：INLA下的贝叶斯回归（二）

1.Ridge回归

2.计数数据与泊松回归

3.偏斜数据的伽马回归

4.零膨胀数据建模

5.负二项回归初步

五：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

六：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

七：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

八：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

九：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

原文链接：基于R语言贝叶斯进阶：INLA下的贝叶斯回归、生存分析、随机游走、广义可加模型、极端数据的贝叶斯分析等实践技术应用