計(jì)算貝葉斯統(tǒng)計(jì)導(dǎo)論

定　價(jià)：￥89.00

作　者：	計(jì)算貝葉斯統(tǒng)計(jì)導(dǎo)論
出版社：	機(jī)械工業(yè)出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購(gòu)買(mǎi)這本書(shū)可以去

當(dāng)當(dāng)網(wǎng) (￥66.70)

ISBN：	9787111721062	出版時(shí)間：	2022-03-01	包裝：	平裝-膠訂
開(kāi)本：	16開(kāi)	頁(yè)數(shù)：		字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　有意義地使用高級(jí)貝葉斯方法需要對(duì)基本原理有很好的理解。這本引人入勝的書(shū)解釋了支撐貝葉斯模型構(gòu)建和分析的思想，特別側(cè)重于計(jì)算方法和方案。本書(shū)的獨(dú)特之處是對(duì)可用軟件包進(jìn)行了廣泛的討論，并對(duì)貝葉斯推理進(jìn)行了簡(jiǎn)短但完整且數(shù)學(xué)嚴(yán)謹(jǐn)?shù)慕榻B。本書(shū)介紹了蒙特卡羅方法、馬爾可夫鏈蒙特卡羅方法和貝葉斯軟件，另外還介紹了模型驗(yàn)證和比較、跨維MCMC和條件高斯模型。本書(shū)所包含的問(wèn)題使本書(shū)適合作為貝葉斯計(jì)算的第yi門(mén)研究生課程的教科書(shū)。對(duì)貝葉斯軟件的廣泛討論——R/R- inla、OpenBUGS、JAGS、STAN和BayesX——使得它對(duì)來(lái)自統(tǒng)計(jì)之外的研究人員和研究生也很有用。

作者簡(jiǎn)介

　　瑪麗亞·安特尼亞·阿馬拉爾·土庫(kù)曼教授曾是里斯本大學(xué)理學(xué)院統(tǒng)計(jì)與運(yùn)籌學(xué)系的教授，現(xiàn)已退休。她曾擔(dān)任葡萄牙統(tǒng)計(jì)學(xué)會(huì)副會(huì)長(zhǎng)。她的研究興趣有貝葉斯統(tǒng)計(jì)、醫(yī)學(xué)和環(huán)境統(tǒng)計(jì)以及時(shí)空建模等。卡洛斯·丹尼爾·保利諾是里斯本大學(xué)統(tǒng)計(jì)和應(yīng)用中心的高級(jí)研究員，同時(shí)也是該校高等技術(shù)學(xué)院數(shù)學(xué)系副教授。他曾擔(dān)任葡萄牙統(tǒng)計(jì)學(xué)會(huì)會(huì)長(zhǎng)。他在貝葉斯統(tǒng)計(jì)和分類(lèi)數(shù)據(jù)方向論著頗豐，重點(diǎn)關(guān)注貝葉斯方法在生物統(tǒng)計(jì)學(xué)中的應(yīng)用。彼得·穆勒是得克薩斯大學(xué)奧斯汀分校數(shù)學(xué)系和統(tǒng)計(jì)與數(shù)據(jù)科學(xué)系的副教授。他曾擔(dān)任國(guó)際貝葉斯分析學(xué)會(huì)主席和美國(guó)統(tǒng)計(jì)協(xié)會(huì)貝葉斯統(tǒng)計(jì)分會(huì)主席。他主要研究貝葉斯統(tǒng)計(jì)計(jì)算方法、非參數(shù)貝葉斯統(tǒng)計(jì)和決策問(wèn)題等。

圖書(shū)目錄

前言
第1章　貝葉斯推斷1　1.1　經(jīng)典范式1
　1.2　貝葉斯范式4
　1.3　貝葉斯推斷7
　　1.3.1　參數(shù)推斷7
　　1.3.2　預(yù)測(cè)推斷10
　1.4　結(jié)論11
　習(xí)題12第2章　先驗(yàn)信息表示14　2.1　無(wú)信息先驗(yàn)14
　2.2　自然共軛先驗(yàn)19
　習(xí)題22第3章　基礎(chǔ)問(wèn)題中的貝葉斯
推斷24　3.1　二項(xiàng)分布與貝塔模型24
　3.2　泊松分布與伽馬模型25
　3.3　正態(tài)分布（μ已知）與
逆伽馬模型26
　3.4　正態(tài)分布（μ,σ2未知）與
杰弗里斯先驗(yàn)27
　3.5　兩個(gè)獨(dú)立的正態(tài)模型與
邊緣杰弗里斯先驗(yàn)28
　3.6　兩個(gè)獨(dú)立的二項(xiàng)分布與
貝塔分布30
　3.7　多項(xiàng)分布與狄利克雷模型31
　3.8　有限總體中的推斷34
　習(xí)題35第4章　蒙特卡羅方法推斷38　4.1　簡(jiǎn)單蒙特卡羅方法38
　　4.1.1　后驗(yàn)概率41
　　4.1.2　可信區(qū)間41
　　4.1.3　邊緣后驗(yàn)分布42
　　4.1.4　預(yù)測(cè)匯總44
　4.2　重要性抽樣蒙特卡羅方法44
　　4.2.1　可信區(qū)間47
　　4.2.2　貝葉斯因子49
　　4.2.3　邊緣后驗(yàn)密度51
　4.3　序貫蒙特卡羅方法52
　　4.3.1　動(dòng)態(tài)狀態(tài)空間模型52
　　4.3.2　粒子濾波器54
　　4.3.3　自適應(yīng)粒子濾波器55
　　4.3.4　參數(shù)學(xué)習(xí)56
　習(xí)題57第5章　模型評(píng)估62　5.1　模型評(píng)判與充分性62
　5.2　模型選擇與比較67
　　5.2.1　預(yù)測(cè)性能度量67
　　5.2.2　通過(guò)后驗(yàn)預(yù)測(cè)性能進(jìn)行
選擇71
　　5.2.3　使用貝葉斯因子進(jìn)行
模型選擇73
　5.3　模型評(píng)估中模擬的更多
說(shuō)明74
　　5.3.1　評(píng)估后驗(yàn)預(yù)測(cè)分布74
　　5.3.2　先驗(yàn)預(yù)測(cè)密度估計(jì)75
　　5.3.3　從預(yù)測(cè)分布中抽樣76
　習(xí)題77第6章　馬爾可夫鏈蒙特卡羅
方法79　6.1　馬爾可夫鏈的定義和
基本結(jié)果80
　6.2　梅特羅波利斯-黑斯廷斯
算法82
　6.3　吉布斯抽樣器86
　6.4　切片抽樣器92
　6.5　哈密頓蒙特卡羅93
　　6.5.1　哈密頓動(dòng)力學(xué)93
　　6.5.2　哈密頓蒙特卡羅轉(zhuǎn)移
概率96
　6.6　實(shí)現(xiàn)細(xì)節(jié)99
　習(xí)題102第7章　模型選擇和跨維
MCMC113　7.1　參數(shù)空間上的MC模擬113
　7.2　模型空間上的MC模擬114
　7.3　模型和參數(shù)空間上的MC
模擬119
　7.4　可逆跳躍MCMC121
　習(xí)題125第8章　基于解析近似的方法131　8.1　解析方法131
　　8.1.1　多元正態(tài)后驗(yàn)近似131
　　8.1.2　經(jīng)典拉普拉斯方法134
　8.2　潛高斯模型139
　8.3　積分嵌套拉普拉斯近似141
　8.4　變分貝葉斯推斷143
　　8.4.1　后驗(yàn)近似143
　　8.4.2　坐標(biāo)上升算法144
　　8.4.3　自動(dòng)微分變分推斷147
　習(xí)題147第9章　軟件151　9.1　應(yīng)用實(shí)例151
　9.2　BUGS項(xiàng)目：WinBUGS和
OpenBUGS152
　　9.2.1　應(yīng)用實(shí)例：
使用R2OpenBUGS154
　9.3　JAGS159
　　9.3.1　應(yīng)用實(shí)例：
使用R2jags160
　9.4　Stan163
　　9.4.1　應(yīng)用實(shí)例：
使用RStan164
　9.5　BayesX171
　　9.5.1　應(yīng)用實(shí)例：
使用R2BayesX172
　9.6　收斂性診斷：CODA程序和
BOA程序176
　　9.6.1　收斂性診斷176
　　9.6.2　CODA包和BOA包178
　　9.6.3　應(yīng)用實(shí)例：
CODA和BOA180
　9.7　R-INLA和應(yīng)用實(shí)例190
　　9.7.1　應(yīng)用實(shí)例192
　習(xí)題198附錄200
　附錄A200
　附錄B206索引209參考文獻(xiàn)213