专题一 贝叶斯统计学的思想与概念
1.1 信念函数与概率
1.2 事件划分与贝叶斯法则
1.3 稀少事件的概率估计
1.4 可交换性
1.5 预测模型的构建
专题二 单参数模型
2.1 二项式模型与置信域
2.2 泊松模型与后验分布
2.3 指数族模型与共轭先验
专题三 蒙特卡罗逼近
3.1 蒙特卡罗方法
3.2 任意函数的后验推断
3.3 预测分布采样
3.4 后验模型检验
专题四 正态模型
4.1 均值与条件方差的推断
4.2 基于数学期望的先验
4.3非正态分布的正态模型
专题五 吉布斯采样
5.1 半共轭先验分布
5.2 离散近似
5.3 条件分布中的采样
5.4 吉布斯采样算法及其性质
5.5 MCMC方法
专题六 多元正态分布与组比较
6.1 多元正态分布的密度
6.2 均值的半共轭先验
6.3 逆－Wishart分布
6.4 缺失数据与贝叶斯插补
6.5 组间比较
6.6分层模型的均值与方差
专题七 线性回归
7.1 回归的本质与最小二乘法
7.2 回归的贝叶斯估计
7.3 模型的贝叶斯比较
7.4 吉布斯采样与模型平均
7.5 指数模型比较与选择
7.6 总结与结论
7.7 Python的Copula相关包介绍
专题八 非共轭先验与M-H算法
8.1 广义线性模型
8.2 泊松模型Metropolis算法
8.3 Metropolis-Hastings算法
8.4 M-H算法与吉布斯采样的组合
专题九 线性与广义线性混合效应模型
9.1 多层回归模型
9.2 全条件分布
9.3 广义线性混合效应模型
专题十 有序数据的隐变量模型
10.1 有序Probit回归
10.2 秩的似然
10.3 高斯Copula模型