贝叶斯统计方法-R和SUGS软件数据分析示例-(影印版)_PDF下载[131MB-百度云]克鲁斯克

本书特色

[

作者从概率统计和编程两方面入手，由浅入深地指导读者如何对实际数据进行贝叶斯分析。全书分成三部分，**部分为基础篇：关于参数、概率、贝叶斯法则及r软件，第二部分为二元比例推断的基本理论，第三部分为广义线性模型。内容包括贝叶斯统计的基本理论、实验设计的有关知识、以层次模型和mcmc为代表的复杂方法等。同时覆盖所有需要用到非贝叶斯方法的情况，其中包括：t检验，方差分析（anova）和anova中的多重比较法，多元线性回归，logistic回归，序列回归和卡方（列联表）分析。针对不同的学习目标（如r、bugs等）列出了相应的重点章节；整理出贝叶斯统计中某些与传统统计学可作类比的内容，方便读者快速学习。本中提出的方法都是可操作的，并且所有涉及数学理论的地方都已经用实际例子非常直观地进行了解释。由于并不对读者的统计或编程基础有较高的要求，因此本书非常适合社会学或生物学研究者入门参考，同时也可作为相关科研人员的参考书。

]

内容简介

[

专家推荐
　　“我想本书将填补目前的一个空白，随着研究人员和学生转向贝叶斯统计方法的常规应用，这本书也将能够打
　　开自己的市场。”
　　——michaellee教授，数学心理学会会长，加利福尼亚大学尔湾分校
　　“johnk.kruschke写了一本关于统计的书，这本书优于其他作品之处在于其文体简明，这本书优于其他作品的另一个原因是它是关于贝叶斯统计的，究其原因，它真的很令吃惊！”——jamesl.(jay)mcclelland，心理学院院长&露西·斯特恩讲席教授，斯坦福大学
　　书籍特色
　　★本书提供了r编程语言和bugs软件（都是免费软件）的完整案例，并从基础编程案例讲起，逐渐将难度提升到复杂数据和演示图形的完整程序。这些模板都可以根据不同的学生和不同的研究需要做调整。
　　★全面覆盖所有分析情况需要用到非贝叶斯方法：t-检验，方差分析（anova）和anova中的多重比较法，多元线性回归，logistic回归，序列回归和卡方（列联表分析。涉及的研究设计包括贝叶斯势分析和样本容量规划。

]

作者简介

[

　　[美]约翰 K.克鲁斯克（John K.kruschke）
　　印第安纳大学心理学以及脑科学教授，统计学教授，认知科学领域的核心成员。本书作者获得过5次印第安纳大学卓越教学奖（Teaching
　　Excellence Recognition Awards from Indiana University）和1次国家科学院托兰研究奖（Troland Research Award）。

]

贝叶斯统计方法r和bugs软件数据分析示例（影印版）第1章关于本书1.1 目标读者1.2 预备知识1.3 本书结构1.3.1 重点章节1.3.2 与贝叶斯方法对应的传统检验方法1.4 期待反馈1.5 致谢第1部分基础篇：关于参数、概率、贝叶斯法则及r软件第2章我们所信的模型2.1 观测模型与信念模型2.1.1 先验信念与后验信念2.2 统计推断的三个目标2.2.1 参数估计2.2.2 数值预测2.2.3 模型比较2.3 r编程基础2.3.1 软件的获取和安装2.3.2 激活r和命令行使用2.3.3 应用实例2.3.4 获取帮助2.3.5 编程2.4 练习第3章概率究竟是什么？3.1 所有可能事件的集合3.1.1 抛硬币实验3.2 概率：意识内外3.2.1 意识之外：长期相对频率3.2.2 意识以内：主观信念3.2.3 概率：量化可能性3.3 概率分布3.3.1 离散分布：概率质量3.3.2 连续分布：密度初探3.3.3 分布的均值与方差3.3.4 反映信念不确定性的方差3.3.5 *高密度区间（hdi）3.4 双变量联合分布3.4.1 边际概率3.4.2 条件概率3.4.3 独立事件3.5 r代码3.5.1图3.1的r代码3.5.2 图3.3的r代码3.6 练习第4章贝叶斯公式4.1 贝叶斯公式简介4.1.1 从条件概率的定义导出4.1.2 受双因素表的启发4.1.3 连续情形下的积分表达4.2 在模型和数据中的应用4.2.1 数据的顺序不变性4.2.2一个例子：抛硬币4.3 推断的三个目标4.3.1 参数估计4.3.2 数值预测4.3.3 模型比较4.3.4 为什么贝叶斯推断是困难的4.3.5 贝叶斯推断在日常生活中的应用4.4 r代码4.4.1图4.1的r代码4.5 练习第2部分用于二元比例推断的基本理论第5章二元比例推断的精确数学分析方法5.1 伯努利分布的似然函数5.2 贝塔分布简介5.2.1 先验贝塔分布5.2.2 后验贝塔分布5.3 推断的三个目标5.3.1 二元比例的估计5.3.2 预测数据5.3.3 模型比较5.4 总结：如何做贝叶斯推断5.5 r代码5.5.1 图5.2的r代码5.6 练习第6章二元比例推断的格点估计法6.1 θ取值离散时的贝叶斯准则6.2 连续先验密度的离散化6.2.1 离散化先验密度的例子6.3 估计6.4 序贯数据的预测6.5 模型比较6.6 总结6.7 r代码6.7.1 图6.2及类似图形的r代码6.8 练习第7章二元比例推断的metropolis算法7.1 metropolis算法的简单例子7.1.1 政治家巧遇metropolis算法7.1.2 随机游走7.1.3 随机游走的性质7.1.4 为什么关注随机游走7.1.5 metropolis算法是如何起作用的7.2 metropolis算法的详细介绍7.2.1 预烧、效率和收敛7.2.2 术语：马尔可夫链蒙特卡罗方法7.3 从抽样后验分布到推断的三个目标7.3.1 估计7.3.2 预测7.3.3 模型比较：p(d)的估计7.4 bugs的mcmc7.4.1 用bugs估计参数7.4.2 用bugs预测7.4.3 用bugs进行模型比较7.5 结论7.6 r代码7.6.1 作者编写的metropolis算法的r代码7.7 练习第8章使用gibbs抽样推断两个二元比例8.1 两个比例的先验、似然和后验8.2 后验分布的精确表达8.3 使用格点估计近似后验分布8.4 使用mcmc推断后验分布8.4.1 metropolis算法8.4.2 gibbs抽样8.5 bugs实现8.5.1 在bugs中抽样获取先验分布8.6 潜在偏差有何差异？8.7 总结8.8 r代码8.8.1 格点估计的r代码（图8.1和图8.2）8.8.2 metropolis抽样的r代码（图8.3）8.8.3 bugs抽样的r代码（图8.6）8.8.4 画后验直方图的r代码8.9 练习第9章多层先验下的伯努利似然9.1 单个铸币厂生产的单枚硬币9.1.1 通过网格近似得到后验估计19.2 单个铸币厂生产的多枚硬币9.2.1 通过网格近似得到后验估计29.2.2 通过蒙特卡罗抽样得到后验估计9.2.3 单枚铸币估计的离群和收缩9.2.4 案例研究：触摸治疗9.2.5 硬币数量及每枚硬币的抛掷次数9.3 多个铸币厂生产的多枚硬币9.3.1 独立铸币厂9.3.2 非独立铸币厂9.3.3 个体间差异及meta分析9.4 总结9.5 r代码9.5.1 触摸治疗实验的分析代码9.5.2 过滤冷凝实验的分析代码9.6 练习第10章分层建模和模型比较10.1 多层模型的模型比较10.2 bugs中的模型比较10.2.1 一个简单的例子10.2.2 带有伪先验的真实例子10.2.3 在使用带有伪先验的跨维度mcmc时的一些建议10.3 嵌套模型的模型比较10.4 模型比较的分层框架回顾10.4.1 mcmc模型比较的比较方法10.4.2 总结和警告10.5 练习第11章原假设显著性检验（nhst）11.1硬币是否均匀的nhst11.1.1 固定n的情况11.1.2 固定z的情况11.1.3 自我反省11.1.4 贝叶斯分析11.2 关于硬币的先验信息11.2.1 nhst分析11.2.2 贝叶斯分析11.3 置信区间和*高密度区间（hdi）11.3.1 nhst置信区间11.3.2 贝叶斯hdi11.4 多重假设11.4.1 对实验误差的nhst修正11.4.2 唯一的贝叶斯后验结论11.4.3 贝叶斯分析如何减少误报11.5 怎样的抽样分布才是好的11.5.1 确定实验方案11.5.2 探索模型预测（后验预测校验）11.6 练习第12章单点检验的贝叶斯方法12.1 单一先验的估计方法12.1.1 参数的原假设值是否在可信范围内？12.1.2 差异的原假设值是否在可信范围内？12.1.3 实际等效区域（rope）12.2 两个模型的先验比较方法12.2.1 两枚硬币的均匀性是否相同？12.2.2 不同组之间是否有差异？12.3 模型比较的估计12.3.1 原假设值为真的概率是多少？12.3.2 建议12.4 r代码12.4.1 图12.5的r代码12.5 练习第13章目标、势和样本量13.1 势的相关内容13.1.1 目标和障碍13.1.2 势13.1.3 样本量13.1.4 目标的其他表现形式13.2 一枚硬币的样本量13.2.1 以否定原假设值为目的13.2.2 以精确为目的13.3 检验多家铸币厂的样本量13.4 势：预期、回顾和重复13.4.1 势分析需要逼真的模拟数据13.5 计划的重要性13.6 r代码13.6.1 一枚硬币的样本量13.6.2 检验多家铸币厂的势和样本量13.7 练习第3部分广义线性模型的应用第14章广义线性模型概述14.1 广义线性模型（glm）14.1.1 预测变量和响应变量14.1.2 变量尺度类型：定量、顺序和名义14.1.3 一元线性回归14.1.4 多元线性回归14.1.5 预测变量的非线性交互作用14.1.6 名义型预测变量14.1.7 链接函数14.1.8 概率预测14.1.9 glm的正则表达14.1.10 两个或多个名义型变量预测频率14.2 glm的案例14.3 练习第15章单总体的参数估计15.1 通过正态似然估计总体均值和标准差15.1.1 数学分析解法15.1.2 在bugs软件中应用马尔可夫链蒙特卡罗方法逼近15.1.3 离群点和稳健估计方法：t分布15.1.4 当数据非正态时：变换15.2 重复测量和个体差异15.2.1 分层模型15.2.2 在bugs软件中实现15.3 总结15.4 r代码15.4.1通过正态似然估计总体均值和标准差15.4.2 重复测量15.5 练习第16章一元回归16.1 简单线性回归16.1.1 分层模型和bugs代码16.1.2 斜率的后验分布16.1.3 后验概率预测16.2 离群点和稳健回归方法16.3 简单线性回归的重复测量16.4 总结16.5 r代码16.5.1 生成身高和体重的数据16.5.2 brugs：稳健线性回归16.5.3 brugs：简单线性回归的重复测量16.6 练习第17章多元回归17.1 多元线性回归17.1.1 相关预测变量的影响17.1.2 模型和bugs程序17.1.3 斜率的后验分布17.1.4 后验概率预测17.2 超先验信息和回归系数的收缩17.2.1 先验信息、稀疏数据和相关预测变量17.3 定量预测变量的交互作用17.3.1 分层模型和bugs代码17.3.2 解释后验信息17.4 预测变量选择17.5 r代码17.5.1 多元线性回归17.5.2 系数具有超先验信息的多元线性回归17.6 练习第18章单因素方差分析18.1 贝叶斯单因素方差分析18.1.1 分层先验信息18.1.2 在r软件和bugs软件中实现18.1.3 一个案例18.2 多重比较18.3 两总体的贝叶斯方差分析和显著性t检验18.4 r代码18.4.1 贝叶斯单因素方差分析18.5 练习第19章定量因变量与多元定性预测变量19.1 贝叶斯多元方差分析19.1.1 定性预测变量的相互作用19.1.2 分层次的先验分布19.1.3 r软件和bugs软件中的一个例子19.1.4 后验结果的解释19.1.5 无相互作用性，数据变换，方差一致性19.2 重复测量受测者内设计19.2.1 为什么要使用受测者内设计，为什么不使用？19.3 r代码19.3.1 贝叶斯两因素的方差分析19.4 练习第20章二分类因变量20.1 logistic回归20.1.1 模型20.1.2 在r软件和bugs软件中实现20.1.3后验结果的解释20.1.4 预测变量相关性对模型的影响20.1.5 数据不平衡性20.1.6 回归系数的超先验分布20.2 logistic回归模型预测变量的相互作用20.3logistic方差模型20.3.1 受测者内设计20.4 总结20.5 r代码20.5.1 logistic回归模型代码20.5.2 logistic方差模型代码20.6练习第21章定序因变量建模21.1 定序probit回归模型21.1.1 数据的结构21.1.2 定量x与定序y的映射21.1.3模型参数与其先验分布21.1.4 mcmc效率的标准化21.1.5 后验结果的预测21.2 一些例子21.2.1 为什么一些阈值会超出数据范围21.3 预测变量相互作用21.4 线性回归与logistic回归模型的关系21.5 r代码21.6练习第22章列联表分析22.1 泊松指数方差模型22.1.1 数据是什么？22.1.2 指数链接函数22.1.3泊松似然22.1.4 模型参数与其分层先验分布22.2 一些例子22.2.1 网格概率的置信区间22.3 列联表对数线性模型22.4 泊松指数模型r代码22.5练习第23章补充主题23.1 贝叶斯分析报告23.1.1 关键元素23.1.2 可选内容23.1.3 其他要点23.2 mcmc的加厚和稀化23.3.估计*高密度区间函数23.3.1 r代码：格点估计hdi的计算23.3.2 r代码：mcmc抽样hdi的计算23.3.3 r代码：函数hdi的计算23.4 概率分布的重新参数化23.4.1 示例23.4.2 两参数的重新参数化参考文献索引