查看原文
其他

CRAN任务视图:贝叶斯推断R包综述

庄闪闪 庄闪闪的R语言手册 2023-06-18

点击下方公众号,回复资料分享,收获惊喜

翻译原文地址:https://CRAN.R-project.org/view=Bayesian
维护者: Jong Hee Park, Michela Cameletti, Xun Pang, Kevin M. Quinn
译者:庄闪闪 + ChatGPT 3.5
版本:2023-04-06
来源: https://github.com/cran-task-views/Bayesian/
温馨提示:正文包含13600字,215个链接,预计阅读时间36分钟。

对于对贝叶斯统计学感兴趣的应用研究人员来说,他们越来越喜欢使用 R,因为这种语言很容易编写算法以从后验分布中进行采样,并且有大量的软件包可以用于贝叶斯推断,这些软件包可以在 CRAN 中获得。类似推文:CRAN任务视图:Sports Analytics

任务视图对这些工具进行了分类,根据包的范围和重点将它们分为四组。

首先,我们回顾提供广泛模型贝叶斯估计工具的 R 软件包。然后,我们讨论解决特定贝叶斯模型或贝叶斯统计学专业方法的软件包。接下来,我们将介绍用于后验估计分析的软件包。最后,我们回顾将 R 与其他贝叶斯抽样引擎(如JAGS[1]OpenBUGS[2]WinBUGS[3]Stan[4]TensorFlow[5])连接的软件包。

本文框架

  • 通用模型拟合的软件包

  • 特定应用包

    • ANOVA

    • 贝叶斯系数/模型比较/贝叶斯模型平均化

    • 贝叶斯树模型

    • 因果推理

    • 计算方法

    • 离散数据

    • 实验/列联表/元分析/AB 测试方法

    • 绘图

    • 层次模型

    • 高维方法/机器学习方法

    • 因子分析/项目反应理论模型

    • 缺失数据

    • 混合模型

    • 网络模型/矩阵-变量分布

    • 分位数回归

    • 收缩/变量选择/高斯过程

    • 空间模型

    • 生存模型

    • 时间序列模型

  • 特定学科的贝叶斯模型

  • 后验估计工具

  • 用于学习贝叶斯统计的包

  • 将 R 与其他采样引擎连接的包

通用模型拟合的软件包

  • arm[6]软件包包含使用 lm、glm、mer 和 polr 对象进行贝叶斯推断的 R 函数。
  • BACCO[7] 用于随机函数贝叶斯分析的 R 包。BACCO[8]包含三个子软件包:emulator、calibrator 和 approximator,可执行计算机程序的贝叶斯模拟和校准。
  • bayesforecast[9]提供了各种函数,可使用“Stan”进行全贝叶斯推断的贝叶斯时间序列分析。支持广泛的分布和模型,允许用户拟合季节性 ARIMA、ARIMAX、动态谐波回归、GARCH、t-学生创新 GARCH 模型、非对称 GARCH、随机游走、用于单变量时间序列的随机波动模型。
  • bayesm[10]提供了用于各种在营销和微观计量经济学中广泛使用的模型的贝叶斯推断的R函数。这些模型包括线性回归模型、多项 Logit、多项 probit、多元 probit、多元正态混合模型(包括聚类)、使用有限正态混合和 Dirichlet 过程先验进行密度估计的模型、分层线性模型、分层多项 Logit、分层负二项回归模型和线性工具变量模型。
  • BayesianTools[11]用于一般目的的 MCMC 和 SMC 抽样器,以及贝叶斯统计的绘图和诊断函数,特别关注于校准复杂系统模型。实现的抽样器包括各种 Metropolis MCMC 变体(包括自适应和/或延迟拒绝 MH)、T-walk、两个差分进化 MCMC、两个 DREAM MCMC 和一个顺序蒙特卡罗(SMC)粒子滤波器。
  • LaplacesDemon[12]旨在提供完整的贝叶斯环境,包括众多 MCMC 算法、使用多种优化算法的 Laplace 近似、大量的示例、数十个额外的概率分布、大量的 MCMC 诊断、贝叶斯因子、后验预测检查、各种图形、建模、参数和变量重要性以及许多其他实用函数。
  • loo[13]软件包提供了使用马尔科夫链蒙特卡罗方法对贝叶斯模型进行高效的留一法交叉验证(LOO)的函数。该近似使用帕累托平滑重要性抽样(PSIS),这是一种用于正则化重要性权重的新程序。在计算过程中的副产品是,loo[14]还为预测误差的估计值和模型之间预测误差的比较提供标准误差。该软件包还提供了使用堆叠和其他模型加权技术对贝叶斯预测分布进行平均的方法。
  • MCMCpack[15]提供了用于社会和行为科学中常用的广泛模型的特定于模型的马尔科夫链蒙特卡罗(MCMC)算法。它包含了适用于多种回归模型(线性回归、logit 回归、序数 probit 回归、probit 回归、泊松回归等)、测量模型(项目反应理论和因子模型)、变点模型(线性回归、二进制 probit 回归、序数 probit 回归、泊松回归、面板数据)以及生态推断模型的 R 函数。它还包含一个通用的 Metropolis 采样器,可用于拟合任意模型。
  • mcmc[16]包包括一个用于连续随机向量的随机游走 Metropolis 算法的 R 函数。
  • nimble[17]包提供了一个通用的 MCMC 系统,允许使用 BUGS/JAGS 模型语言编写自定义 MCMC。用户可以选择采样器并编写新的采样器。模型和采样器通过生成的 C++ 代码自动编译。该包还支持其他方法,例如粒子滤波或用户用其算法语言编写的方法。

特定应用包

ANOVA

  • bayesanova[18]提供了一个基于三部分高斯混合的方差分析的贝叶斯版本,使用Gibbs抽样器生成后验抽样。
  • AovBay[19]提供了经典的方差分析,Kruskal-Wallis 的非参数等价方法以及贝叶斯方法。

贝叶斯系数/模型比较/贝叶斯模型平均化

  • bain[20]计算等式、不等式和关于等式约束假设的近似调整分数贝叶斯因子。

  • BayesFactor[21]提供一套函数,用于计算各种简单设计的贝叶斯因子,包括列联表、单样本和双样本设计、单向设计、一般 ANOVA 设计和线性回归。

  • BayesVarSel[22]计算线性模型中的贝叶斯系数,然后提供形式化的贝叶斯答案来解决测试和变量选择问题。

  • BMA[23]包中提供了用于线性模型、广义线性模型和生存模型的贝叶斯模型平均函数。补充包ensembleBMA[24]使用BMA[25]包创建概率集成的预测,使用正态分布的混合。

  • BMS[26]是用于线性模型的贝叶斯模型平均库,具有广泛的(可定制的)先验选择。内置先验包括系数先验(固定、灵活和超-g先验),以及 5 种模型先验。

  • bridgesampling[27]提供了用于通过不同版本的桥接采样(Meng和Wong,1996)估计一般边缘似然、贝叶斯因子、后验模型概率和归一化常数的 R 函数。

  • RoBMA[28]实现了用于元分析模型的贝叶斯模型平均,包括修正出版偏差的模型。

贝叶斯树模型

  • dbarts[29]可以拟合贝叶斯加法回归树模型(Chipman, George, and McCulloch 2010)。
  • bartBMA[30]提供了使用贝叶斯模型平均的贝叶斯加法回归树的函数。
  • bartCause[31]包含多种方法,利用贝叶斯加法回归树(BART)作为基础回归模型生成典型的因果推断估计量(Hill 2012)。

因果推理

  • bama[32]软件包可以在高维中介变量的情况下基于潜在结果框架执行中介分析。Bayesian Mediation Analysis (BAMA) 是由 Song 等人(2019)开发。
  • bartCause[33]包含使用 Bayesian Additive Regression Trees(BART)作为基础回归模型的各种方法来生成典型的因果推断估计(Hill 2012)。
  • BayesCACE[34]对具有二元结果的单个研究或元分析执行 CACE(Complier Average Causal Effect analysis),并使用完整或不完整的不服从信息。
  • baycn[35] 是一个用于推断连续、离散和混合数据的有向无环图(DAG)的贝叶斯混合方法。
  • BayesTree[36]实现了 Chipman, George, and McCulloch (2006) 的 BART(贝叶斯加性回归树)。
  • BDgraph[37]提供用于多元连续、离散和混合数据中的无向图模型的贝叶斯结构学习的统计工具。
  • blavaan[38]适用于各种贝叶斯潜变量模型,包括验证性因子分析、结构方程模型和潜在增长曲线模型。
  • causact[39]提供用于可视化和在生成的有向无环图(DAGs)上运行推断的R函数。一旦创建了生成 DAG,该包会通过greta[40]包和TensorFlow自动执行贝叶斯推断。
  • CausalImpact[41]在时间序列中实现了一种贝叶斯方法来估计因果影响,如 Brodersen 等人(2015)所述。

计算方法

  • abc[42] 包实现了几种 ABC 算法,用于参数估计和模型选择。还提供了交叉验证工具,用于测量ABC估计的准确性,并计算不同模型的误分类概率。
  • abcrf[43] 通过随机森林执行近似贝叶斯计算(ABC)模型选择和参数推断。
  • bamlss[44] 提供了在贝叶斯框架下估计概率分布回归模型的基础设施。分布参数可以捕捉位置、尺度、形状等,每个参数都可能依赖于类似广义加性模型的复杂加法项。
  • bang[45] 提供了一些常用模型的贝叶斯分析函数,不使用马尔可夫链蒙特卡罗(MCMC)方法,如 Gibbs 采样。
  • bayesboot[46] 提供了执行由 Rubin(1981)介绍的贝叶斯自助法的函数。
  • bayesian[47] 使用 “brms”/“Stan” 和 “parsnip”/“tidymodels” 来拟合贝叶斯模型。
  • BayesLN[48] 允许通过将适当的分布(广义逆高斯分布)作为方差的先验来轻松地执行适当的贝叶斯推断过程。
  • dclone[49] 提供了使用数据克隆和 MCMC 方法实现复杂模型的最大似然估计过程的低级别函数。
  • EntropyMCMC[50] 是用于使用熵和 Kullback-Leibler 散度估计进行 MCMC 模拟和收敛评估的 R 包。
  • iterLap[51] 执行迭代Laplace逼近,构建后验的全局逼近(使用混合分布),然后使用重要性采样进行模拟推断。
  • mcmcensemble[52] 包提供了用于仿射不变蒙特卡罗马尔可夫链的集合采样器,允许针对糟糕的比例估计问题更快地收敛。提供了两个采样器:'differential.evolution' 采样器
  • mcmcensemble[53]包提供了针对仿射不变马尔可夫链的集成采样器,允许更快地收敛于糟糕缩放的估计问题。提出了两个采样器:'differential.evolution' 采样器和 'stretch' 采样器。
  • mcmcse[54]包允许估计多元有效样本大小和计算蒙特卡罗标准误差。
  • Runuran[55]中的 hitro.new() 函数提供了一种基于 Hit-and-Run 算法和比率-均匀方法的 MCMC 采样器。

离散数据

  • ammiBayes[56] 提供了用于有序数据的加性主效应和乘性模型(AMMI)的灵活多环境试验分析的 MCMC 方法。
  • BANOVA[57] 包括用于正态响应、t 响应、二项式(伯努利)响应、泊松响应、有序多项式响应和多项式响应变量的分层贝叶斯方差分析模型的函数。
  • BART[58] 提供了连续、二元、分类和时间到事件结果的协变量的灵活非参数建模。
  • bayesbr[59] 使用贝叶斯推断拟合贝塔回归模型。
  • BayesComm[60] 为生态群落分析提供了执行 Bayesian 多元二元(probit)回归模型的工具。
  • bayescopulareg[61] 提供了用于 Bayesian copula 广义线性模型(GLMs)的工具。
  • bayescount[62] 提供了一组函数,允许使用 Bayesian MCMC 方法分析计数数据(例如粪便虫卵计数数据)。
  • BayesGWQS[63] 适合用于具有二元结果的一个或多个化学群的 Bayesian 分组加权分位数和回归(BGWQS)。
  • BayesLogit[64] 提供了基于 Polson,Scott 和 Windle(2013)的 PolyaGamma 分布抽样工具。
  • mlogitBMA[65] 提供了修改的 BMA 包的函数 bic.glm(),可用于多项式 logit(MNL)数据。
  • MNP[66] 包使用 MCMC 方法适合多项式 probit 模型。
  • vbmp[67] 是一个用于具有高斯过程先验的变分贝叶斯多项式 probit 回归的包。它采用变分和稀疏逼近到完整后验中的类成员后验概率。此软件还通过自动相关性确定实现特征加权。
  • zic[68]提供了对零膨胀计数模型进行MCMC分析的函数,包括随机搜索变量选择。

实验/列联表/元分析/AB 测试方法

  • abtest[69] 提供贝叶斯 A/B 测试函数,包括基于Kass和Vaidyanathan(1992)的先验引导选项。
  • acebayes[70] 使用近似坐标交换(ACE)算法寻找最优的贝叶斯实验设计。
  • APFr[71] 采用平均功率函数(APF)和贝叶斯虚假发现率(FDR)鲁棒估计的多重检验方法,选择一个p值阈值γ。
  • ashr[72] 实现基于经验贝叶斯方法的大规模假设检验和误差发现率(FDR)估计,方法基于 Stephens(2016)提出的方法。
  • bamdit[73] 提供基于比例混合双变量随机效应模型的贝叶斯诊断试验数据的元分析函数。
  • BASS[74] 是一个用于自适应样条曲面的贝叶斯拟合和灵敏度分析方法的包。
  • bayefdr[75] 实现 Newton 等人(2004)描述的贝叶斯 FDR 控制。
  • bayesAB[76] 提供一套函数,允许用户在贝叶斯框架下分析 A/B 测试数据。
  • BayesCombo[77] 结合多个研究中的不同证据以测试高水平科学理论。这些方法也可以用作标准元分析的替代方法。
  • bayesloglin[78] 包是用于贝叶斯分析列联表数据的包。
  • bayesmeta[79] 是一个 R 包,用于在常见随机效应模型框架内执行元分析。
  • BEST[80] 提供 t 检验的替代方法,产生组均值、标准差及其差异和效应大小的后验估计。
  • bspmma[81] 是用于元分析的贝叶斯半参数模型的包。
  • CPBayes[82] 提供了一种贝叶斯元分析方法,用于研究跨表型遗传关联。
  • openEBGM[83] 利用 Gamma-Poisson 收缩模型计算后验分布中的经验贝叶斯几何平均数(EBGM)和分位数得分,以发现大型稀疏列联表中异常大的单元格计数。

绘图

  • basicMCMCplots[84] 提供了检查单条 MCMC 链的后验样本的方法,包括 trace plots 和密度图,也提供了比较多条链的后验中位数和置信区间的方法。
  • bayeslincom[85] 计算后验样本的线性组合的点估计、标准差和可信区间。
  • ggmcmc[86] 用于评估和诊断 Markov Chain Monte Carlo 模拟的收敛性,以及从完整 MCMC 分析中显示结果的图形工具。
  • SamplerCompare[87] 提供了在多个分布上运行多组 MCMC 抽样器的框架,包括各种调整参数,并提供了用于可视化这些模拟结果的绘图函数。

层次模型

  • baggr[88] 在 Stan 中比较具有层次贝叶斯模型的数据的元分析,包括格式化数据、绘图和汇总度量等特定于元分析的便捷函数。
  • dirichletprocess[89] 使用 Dirichlet 过程进行非参数贝叶斯分析,而无需编写推理算法。
  • lmm[90] 包含了使用 MCMC 方法拟合线性混合模型的 R 函数。
  • MCMCglmm[91] 是用于使用 MCMC 方法拟合广义线性混合模型的包。
  • RSGHB[92] 可以用于使用层次贝叶斯框架估计模型,并提供灵活性,允许用户直接指定似然函数,而不是假定预定的模型结构。
  • vglmer[93] 使用变分贝叶斯估计广义线性混合效应模型;还可以使用有限的样条作为预测变量。它提供了使用 SuperLearner[94] 包将这些模型集成在一起的能力。

高维方法/机器学习方法

  • abglasso[95] 实现了贝叶斯自适应图形套索数据增广块 Gibbs 采样器。
  • bartMachine[96] 允许使用扩展特性进行高级贝叶斯加性回归树的数据分析和可视化实现。
  • bayesGAM[97] 包旨在提供使用Hamiltonian Monte Carlo (HMC)拟合单变量和多变量响应广义可加模型(GAM)的用户友好选项,无需太多技术负担。
  • BCBCSF[98] 提供基于选择的高维特征(如基因表达数据)来预测离散响应的功能。

因子分析/项目反应理论模型

  • LAWBL[99] 是一个 R 包,其中包含不同的贝叶斯学习方法,包括部分验证因子分析、其广义版本以及部分验证项目反应模型。
  • pscl[100] 包提供 R 函数,使用 MCMC 方法拟合项目反应理论模型,并计算 Beta 分布和逆 Gamma 分布的最高密度区间。

缺失数据

  • sbgcop[101] 估计高斯独立性检验的参数,将单变量边际分布视为干扰参数,如 Hoff(2007) 中所述。它还提供了用于缺失多元数据的半参数化插补程序。

混合模型

  • AdMit[102] 提供了函数来通过其核函数将适应性学生-t分布的混合拟合到目标密度中。混合逼近可以用作重要性抽样中的重要性密度,也可以用作 Metropolis-Hastings 算法中的候选密度。
  • BayesBinMix[103] 提供了完全贝叶斯推断来估计异质二元数据的聚类数和相关参数。
  • BayesBinMix[104] 执行完全贝叶斯推断来估计异质二元数据的聚类数和相关参数。
  • bmixture[105] 提供了用于有限分布混合的贝叶斯估计的统计工具,主要是伽马分布、正态分布和t分布的混合。
  • REBayes[106] 是一个使用 Kiefer-Wolfowitz 最大似然估计进行经验贝叶斯估计的软件包。

网络模型/矩阵-变量分布

  • BayesianNetwork[107] 提供了一个 “Shiny” 网络应用程序,用于创建交互式贝叶斯网络模型,学习贝叶斯网络的结构和参数,以及经典网络分析工具。
  • Bergm[108] 使用先进的计算算法执行指数随机图模型的贝叶斯分析。
  • bnlearn[109] 是一个用于贝叶斯网络结构学习(通过基于约束、基于得分和混合算法)、参数学习(通过 ML 和贝叶斯估计器)和推断的软件包。
  • ebdbNet[110] 可以使用基于动态贝叶斯网络的经验贝叶斯估计过程从时间序列数据中推断网络的邻接矩阵。
  • eigenmodel[111] 使用基于模型的特征值分解和 MCMC 方法的回归估计对对称关系数据(例如,方阵的上对角线部分)的模型参数进行估计。
  • gRain[112] 是用于图形独立网络中的概率传播的软件包,也称为贝叶斯网络或概率专家系统。
  • gRain[113] 是一个用于图形独立网络中概率传播的 R 包,也称为贝叶斯网络或概率专家系统。
  • NetworkChange[114] 是一个 R 包,用于纵向网络数据的变点分析。它实现了一个基于隐马尔可夫多线性张量回归模型的方法。提供了使用边际似然和 WAIC 进行模型诊断的工具。
  • rstiefel[115] 使用 Gibbs 抽样方法从 Stiefel 流形上的线性和二次指数族分布中模拟随机正交矩阵。涵盖的最普遍类型的分布是矩阵-变量 Bingham-von Mises-Fisher 分布。
  • sna[116] 是一个用于社会网络分析的 R 包,其中包含使用 Gibbs 抽样从 Butt 的贝叶斯网络准确性模型中生成后验样本的函数。
  • ssgraph[117] 用于使用针-板先验进行多变量连续、离散和混合数据的无向图模型的贝叶斯推断。

分位数回归

  • bayesQR[118]支持使用不对称拉普拉斯分布进行贝叶斯分位数回归,包括连续和二元的因变量。

收缩/变量选择/高斯过程

  • BAS[119] 是一个用于线性模型和广义线性模型的贝叶斯变量选择和模型平均的包,使用后验分布的随机或确定性抽样(无替换)。系数的先验分布来自于 Zellner 的 g-prior,或与线性模型中的 Zellner-Siow Cauchy 先验或广义线性模型中的混合 g-prior 对应的混合 g-prior。
  • basad[120] 提供了一种使用连续刺激和块之间峰的贝叶斯变量选择方法。
  • BayesGPfit[121] 使用基础扩展方法,通过高斯过程进行非参数回归的贝叶斯推断,使用修改的指数平方内核。
  • BayesianGLasso[122] 实现了一种数据增广块 Gibbs 抽样,用于模拟指定高斯图模型(GGM)的浓度矩阵的后验分布的拓扑和参数化。
  • BLR[123] 提供 R 函数来使用不同类型的收缩方法拟合参数回归模型。
  • BNSP[124] 是一个用于贝叶斯非参数和半参数模型拟合的包。它处理多元(和单变量)响应分析的狄利克雷过程混合和尖峰-块,使用非参数模型拟合均值、方差和相关矩阵。
  • BoomSpikeSlab[125] 提供函数,通过随机搜索变量选择算法进行尖峰和块回归。它可以处理 probit、logit、泊松和学生 T 数据。
  • bsamGP[126] 提供函数,使用高斯过程先验的谱分析进行贝叶斯推断。高斯过程用基于余弦基函数的傅里叶级数表示。目前,该包包括参数线性模型、具有/不具有形状约束的部分线性加性模型、具有/不具有形状约束的广义线性加性模型,以及密度估计模型。
  • spikeslab[127]提供了使用尖峰和板块回归进行预测和变量选择的函数。
  • spikeSlabGAM[128]实现了贝叶斯变量选择、模型选择和高斯、二项和泊松响应的(地理)加性混合模型中的正则化估计。

空间模型

  • CARBayes[129] 实现了针对面积单位数据的一类单变量和多变量空间广义线性混合模型,采用贝叶斯方法和马尔可夫链蒙特卡罗(MCMC)模拟进行推断。另外还有 CARBayesdata[130]
  • CARBayesST[131] 实现了针对面积单位数据的一类单变量和多变量空间-时间广义线性混合模型,采用贝叶斯方法和马尔可夫链蒙特卡罗(MCMC)模拟进行推断。
  • CircSpaceTime[132] 实现了使用高斯包裹和高斯投影分布的圆形数据空间和空间-时间插值的贝叶斯模型。
  • geoR[133] 包中的函数 krige.bayes() 对地统计数据进行贝叶斯分析,允许指定不同级别的模型参数不确定性。更多信息请参见 Spatial[134] 视图。
  • spBayes[135] 提供了用于单变量和多变量点参考数据的高斯空间过程模型的 R 函数,并使用 MCMC 方法进行拟合。
  • spTimer[136] 使用贝叶斯高斯过程模型、贝叶斯自回归(AR)模型和基于贝叶斯高斯预测过程的 AR 模型,拟合、空间预测和时间预测大量的时空数据。
  • tgp[137] 包实现了贝叶斯树形高斯过程模型:一个提供完全贝叶斯 MCMC 后验推断的空间建模和回归包,范围从简单的线性模型到非平稳树形高斯过程模型。

生存模型

  • BMA[138] 包具有针对线性模型、广义线性模型和生存模型的贝叶斯模型平均函数。补充包 ensembleBMA[139] 使用 BMA[140] 包创建集合的概率预测,采用正态分布混合模型。

时间序列模型

  • BayesARIMAX[141] 是用于贝叶斯估计 ARIMAX 模型的 R 包。自回归滑动平均模型 (ARIMA) 是一种非常流行的单变量时间序列模型。通过在模型中加入外生变量(X),该模型的应用范围得到了拓展,被修改为 ARIMAX 模型(Bierens,1987)。
  • bayesDccGarch[142] 实现了多元时间序列波动率的动态条件相关 GARCH 模型的贝叶斯估计(Fioruci 等人,2014)。
  • bayesdfa[143] 利用“Stan”实现了贝叶斯动态因子分析。
  • bayesGARCH[144] 包提供了一个函数,用于带有学生 t 分布创新的 GARCH(1,1) 模型的贝叶斯估计。
  • bayeslongitudinal[145] 使用基于复合对称性(SC)、自回归序列 1 阶(AR(1))和自回归移动平均序列 1 阶 1 阶(ARMA(1,1))的协方差结构的贝叶斯方法调整纵向回归模型。
  • BAYSTAR[146] 提供了用于阈值自回归模型的贝叶斯估计的函数。
  • bcp[147] 使用 Barry 和 Hartigan 产品分区模型实现了变点问题的贝叶斯分析。
  • bspec[148] 对时间序列的(离散)功率谱进行了贝叶斯推断。
  • bsts[149] 是使用 MCMC 进行动态线性模型的时间序列回归的包。
  • BVAR[150] 是用于估计分层贝叶斯向量自回归模型的包。
  • DIRECT[151] 提供了用于多次实验条件下的重复时间序列或重复测量的贝叶斯聚类方法。
  • dlm[152] 是用于动态线性模型的贝叶斯(和似然)分析的包。它包括卡尔曼滤波和平滑器的计算,以及前向过滤后向采样算法。
  • EbayesThresh[153] 实现了阈值方法的贝叶斯估计。虽然最初的模型是在小波上下文中开发的,但在需要利用参数集的稀疏性时,此软件包非常有用。
  • NetworkChange[154] 是一个用于纵向网络数据变点分析的 R 包。它实现了一个隐藏的多线性张量回归模型。提供了使用边际似然和 WAIC 的模型诊断工具。
  • Rbeast[155] 通过 RJMCMC 实现贝叶斯模型平均方法,将时间序列分解为突变点、趋势和季节性,有助于变点检测、时间序列分解、非线性趋势分析和时间序列分割。
  • spTimer[156] 使用贝叶斯高斯过程模型、贝叶斯自回归(AR)模型和基于贝叶斯高斯预测过程的 AR 模型,拟合、空间预测和时间预测大量的时空数据。
  • ssMousetrack[157] 利用 rstan[158] 包估计先前编译的鼠标跟踪实验的状态空间建模,该包提供了用于贝叶斯估计的 Stan C++ 库的 R 接口。
  • stochvol[159] 提供了完全贝叶斯估计随机波动模型(SV 模型)的高效算法。

特定学科的贝叶斯模型

  • AnaCoDa[160] 是一个使用贝叶斯框架分析基因组规模密码子数据的模型集合。
  • ArchaeoChron[161] 提供了一系列用于贝叶斯建模考古年代的函数。
  • BACCT[162] 通过调用“Just Another Gibbs Sampler”(“JAGS”)软件实现了临床试验环境下的贝叶斯增强控制(BAC,也称为贝叶斯历史数据借鉴)方法。
  • BaSkePro[163] 提供了从考古动物骨骼剖面中通过 MAU(最小解剖单位)百分比特征推断出动物屠宰/运输策略和骨骼磨损的贝叶斯推断工具。
  • bayesbio[164] 提供了生物信息学和贝叶斯统计学的杂项函数。
  • bayesCT[165] 用于二项式、高斯和时间至事件数据类型的贝叶斯自适应临床试验的模拟和分析,整合了历史数据并允许早期终止无用或早期成功。
  • BayesCTDesign[166] 提供了一组函数,帮助临床试验研究人员为是否纳入历史对照数据的两臂贝叶斯随机临床试验计算功率和样本量。
  • bayes4psy[167] 包含了用于心理测试数据分析的几个贝叶斯模型。
  • bayesianETAS[168] 是用于地震发生的流行病型余震序列(ETAS)模型的贝叶斯估计包。
  • BayesianLaterality[169] 提供了实现从观察到的左右指数预测半球优势的贝叶斯模型的函数(Sorensen 和 Westerhausen 2020)。
  • bayesImageS[170] 是一个使用隐式泊松模型进行贝叶斯图像分析的 R 包。
  • bayesLife[171] 使用贝叶斯分层模型为全球所有国家进行人均预期寿命的概率性预测。
  • BCE[172] 包含从生物标志物数据中使用贝叶斯方法估计分类组成的函数。
  • bqtl[173] 可用于拟合定量性状位点 (QTL) 模型。该包通过拉普拉斯近似进行贝叶斯估计多基因模型,并提供 QTL 区间映射的工具。该包还包含用于 QTL 分析的图形工具。
  • coalitions[174] 实现了一个贝叶斯框架,用于多党选举制度中基于民意调查的事件概率估计(Bender和Bauer,2018)。
  • dfpk[175] 提供 PK 测量统计方法,用于在 I 期临床试验的剂量分配过程中。
  • dina[176] 使用 Gibbs 采样器估计确定性输入、有噪声的“与”门(DINA)认知诊断模型参数。edina[177] 执行探索性确定性输入、有噪声的“与”门(EDINA)认知诊断模型的贝叶斯估计。

后验估计工具

  • MCMCvis[178] 用于 MCMC 分析的可视化、操作和总结功能。函数支持在调用中简单和直接地子集化模型参数,并生成可呈现和“出版就绪”的输出。MCMC 输出可以来自于使用 JAGS、Stan 或其他 MCMC 采样器拟合的贝叶斯模型输出。
  • boa[179] 包提供 MCMC 序列的诊断、总结和可视化函数。它可以导入来自 BUGS 格式或普通矩阵的抽样。boa[180] 提供了 Gelman 和 Rubin、Geweke、Heidelberger 和 Welch、Raftery 和 Lewis 诊断、Brooks 和 Gelman 多元收缩因子。
  • coda[181](收敛诊断和输出分析)包是一组用于汇总、绘制和诊断 MCMC 抽样的函数。coda[182] 还定义了一个 mcmc 对象及相关方法,这些方法被其他包使用。它可以轻松地从 WinBUGS、OpenBUGS 和 JAGS 或普通矩阵导入 MCMC 输出。coda[183] 包含 Gelman 和 Rubin、Geweke、Heidelberger 和 Welch、Raftery 和 Lewis 诊断。
  • plotMCMC[184] 扩展了 coda[185],添加了方便的函数,使创建多面板图更容易。图形参数具有明智的默认值,并可以通过顶级参数轻松修改。
  • ramps[186] 实现了基于高斯过程的贝叶斯地统计分析,使用重新参数化和边缘化后的后验采样算法。

用于学习贝叶斯统计的包

  • BaM[187] 提供了“Bayesian Methods: A Social and Behavioral Sciences Approach”一书(Jeff Gill,Chapman和Hall/CRC,2002/2007/2014)中使用的函数和数据集。
  • BayesDA[188] 提供了“Bayesian Data Analysis, Second Edition”(Andrew Gelman,John B. Carlin,Hal S. Stern和Donald B. Rubin著,CRC Press,2003年)中使用的R函数和数据集。
  • Bolstad[189] 包含了一组R函数和数据集,用于书籍《Introduction to Bayesian Statistics》(Bolstad,W.M.,2007年)。
  • LearnBayes[190] 包含了一系列有助于学习贝叶斯统计推断基本原则的函数。它包含了用于总结基本的一维和二维后验分布和预测分布的函数,以及用于总结用户定义的后验分布的MCMC算法。它还包含了用于回归模型、分层模型、贝叶斯检验和Gibbs采样的函数。

将 R 与其他采样引擎连接的包

  • bayesmix[191]是一个使用JAGS[192]拟合贝叶斯混合模型的R包。
  • BayesX[193]提供了用于探索和可视化使用软件包BayesX[194]获得的估计结果的功能。
  • Boom[195]提供了一个C++库,用于贝叶斯建模,重点是马尔可夫链蒙特卡罗。
  • BRugs提供了与OpenBUGS[196]的R接口。它适用于 Windows 和 Linux。BRugs曾经可以从 CRAN 获取,现在它位于CRANextras[197]仓库中。
  • brms[198]使用Stan[199]在R中实现了贝叶斯多层模型。支持广泛的分布和链接函数,使用户能够在多层上下文中拟合线性、鲁棒线性、二项、泊松、生存、响应时间、有序、分位数、零膨胀、阻碍甚至非线性模型。shinybrms[200]是一个使用brms[201]包拟合贝叶斯回归模型的图形用户界面(GUI)。
  • greta[202]允许用户在 R 中编写统计模型,并通过使用 Google ‘TensorFlow’ 的 MCMC 和优化来拟合它们。greta[203]让您像在 BUGS、JAGS 和 Stan 中编写模型一样,在 R 中编写模型,它可以很好地扩展到海量数据集,并且易于扩展和构建。
  • 有两个 R 包可以与WinBUGS[204]进行接口。R2WinBUGS[205]提供了一组函数来调用 WinBUGS 在 Windows 系统和 Linux 系统上。
  • 有三个包提供了R与Just Another Gibbs Sampler (JAGS)[206]的接口:rjags[207]R2jags[208]runjags[209]
  • 所有这些 BUGS 引擎都使用图形模型进行模型规范。因此,GraphicalModels[210]任务视图可能会有所帮助。
  • rstan[211]提供了 R 函数来解析、编译、测试、估计和分析 Stan 模型,通过访问由 `StanHeaders' 包提供的头文件只 Stan 库。Stan[212]项目开发了一种概率编程语言,通过 MCMC 实现完全的贝叶斯统计推断和通过优化实现(可选择惩罚的)最大似然估计。
  • rstanarm[213]使用rstan[214]包来估计预编译的回归模型,该包提供了用于贝叶斯估计的 Stan C++ 库的 R 接口。
  • pcFactorStan[215]提供了与成对比较因子模型相关的方便函数和预编程 Stan 模型。它的目的是使使用 Stan 拟合成对比较数据变得容易。

参考资料

[1]

JAGS: http://mcmc-jags.sourceforge.net/

[2]

OpenBUGS: http://www.openbugs.net/

[3]

WinBUGS: http://www.mrc-bsu.cam.ac.uk/software/bugs/

[4]

Stan: http://mc-stan.org/

[5]

TensorFlow: https://www.tensorflow.org/

[6]

arm: https://cran.r-project.org/web/packages/arm/index.html

[7]

BACCO: https://cran.r-project.org/web/packages/BACCO/index.html

[8]

BACCO: https://cran.r-project.org/web/packages/BACCO/index.html

[9]

bayesforecast: https://cran.r-project.org/web/packages/bayesforecast/index.html

[10]

bayesm: https://cran.r-project.org/web/packages/bayesm/index.html

[11]

BayesianTools: https://cran.r-project.org/web/packages/BayesianTools/index.html

[12]

LaplacesDemon: https://cran.r-project.org/web/packages/LaplacesDemon/index.html

[13]

loo: https://cran.r-project.org/web/packages/loo/index.html

[14]

loo: https://cran.r-project.org/web/packages/loo/index.html

[15]

MCMCpack: https://cran.r-project.org/web/packages/MCMCpack/index.html

[16]

mcmc: https://cran.r-project.org/web/packages/mcmc/index.html

[17]

nimble: https://cran.r-project.org/web/packages/nimble/index.html

[18]

bayesanova: https://cran.r-project.org/web/packages/bayesanova/index.html

[19]

AovBay: https://cran.r-project.org/web/packages/AovBay/index.html

[20]

bain: https://cran.r-project.org/web/packages/bain/index.html

[21]

BayesFactor: https://cran.r-project.org/web/packages/BayesFactor/index.html

[22]

BayesVarSel: https://cran.r-project.org/web/packages/BayesVarSel/index.html

[23]

BMA: https://cran.r-project.org/web/packages/BMA/index.html

[24]

ensembleBMA: https://cran.r-project.org/web/packages/ensembleBMA/index.html

[25]

BMA: https://cran.r-project.org/web/packages/BMA/index.html

[26]

BMS: https://cran.r-project.org/web/packages/BMS/index.html

[27]

bridgesampling: https://cran.r-project.org/web/packages/bridgesampling/index.html

[28]

RoBMA: https://cran.r-project.org/web/packages/RoBMA/index.html

[29]

dbarts: https://cran.r-project.org/web/packages/dbarts/index.html

[30]

bartBMA: https://cran.r-project.org/web/packages/bartBMA/index.html

[31]

bartCause: https://cran.r-project.org/web/packages/bartCause/index.html

[32]

bama: https://cran.r-project.org/web/packages/bama/index.html

[33]

bartCause: https://cran.r-project.org/web/packages/bartCause/index.html

[34]

BayesCACE: https://cran.r-project.org/web/packages/BayesCACE/index.html

[35]

baycn: https://cran.r-project.org/web/packages/baycn/index.html

[36]

BayesTree: https://cran.r-project.org/web/packages/BayesTree/index.html

[37]

BDgraph: https://cran.r-project.org/web/packages/BDgraph/index.html

[38]

blavaan: https://cran.r-project.org/web/packages/blavaan/index.html

[39]

causact: https://cran.r-project.org/web/packages/causact/index.html

[40]

greta: https://cran.r-project.org/web/packages/greta/index.html

[41]

CausalImpact: https://cran.r-project.org/web/packages/CausalImpact/index.html

[42]

abc: https://cran.r-project.org/web/packages/abc/index.html

[43]

abcrf: https://cran.r-project.org/web/packages/abcrf/index.html

[44]

bamlss: https://cran.r-project.org/web/packages/bamlss/index.html

[45]

bang: https://cran.r-project.org/web/packages/bang/index.html

[46]

bayesboot: https://cran.r-project.org/web/packages/bayesboot/index.html

[47]

bayesian: https://cran.r-project.org/web/packages/bayesian/index.html

[48]

BayesLN: https://cran.r-project.org/web/packages/BayesLN/index.html

[49]

dclone: https://cran.r-project.org/web/packages/dclone/index.html

[50]

EntropyMCMC: https://cran.r-project.org/web/packages/EntropyMCMC/index.html

[51]

iterLap: https://cran.r-project.org/web/packages/iterLap/index.html

[52]

mcmcensemble: https://cran.r-project.org/web/packages/mcmcensemble/index.html

[53]

mcmcensemble: https://cran.r-project.org/web/packages/mcmcensemble/index.html

[54]

mcmcse: https://cran.r-project.org/web/packages/mcmcse/index.html

[55]

Runuran: https://cran.r-project.org/web/packages/Runuran/index.html

[56]

ammiBayes: https://cran.r-project.org/web/packages/ammiBayes/index.html

[57]

BANOVA: https://cran.r-project.org/web/packages/BANOVA/index.html

[58]

BART: https://cran.r-project.org/web/packages/BART/index.html

[59]

bayesbr: https://cran.r-project.org/web/packages/bayesbr/index.html

[60]

BayesComm: https://cran.r-project.org/web/packages/BayesComm/index.html

[61]

bayescopulareg: https://cran.r-project.org/web/packages/bayescopulareg/index.html

[62]

bayescount: https://cran.r-project.org/web/packages/bayescount/index.html

[63]

BayesGWQS: https://cran.r-project.org/web/packages/BayesGWQS/index.html

[64]

BayesLogit: https://cran.r-project.org/web/packages/BayesLogit/index.html

[65]

mlogitBMA: https://cran.r-project.org/web/packages/mlogitBMA/index.html

[66]

MNP: https://cran.r-project.org/web/packages/MNP/index.html

[67]

vbmp: https://www.bioconductor.org/packages/vbmp

[68]

zic: https://cran.r-project.org/web/packages/zic/index.html

[69]

abtest: https://cran.r-project.org/web/packages/abtest/index.html

[70]

acebayes: https://cran.r-project.org/web/packages/acebayes/index.html

[71]

APFr: https://cran.r-project.org/web/packages/APFr/index.html

[72]

ashr: https://cran.r-project.org/web/packages/ashr/index.html

[73]

bamdit: https://cran.r-project.org/web/packages/bamdit/index.html

[74]

BASS: https://cran.r-project.org/web/packages/BASS/index.html

[75]

bayefdr: https://cran.r-project.org/web/packages/bayefdr/index.html

[76]

bayesAB: https://cran.r-project.org/web/packages/bayesAB/index.html

[77]

BayesCombo: https://cran.r-project.org/web/packages/BayesCombo/index.html

[78]

bayesloglin: https://cran.r-project.org/web/packages/bayesloglin/index.html

[79]

bayesmeta: https://cran.r-project.org/web/packages/bayesmeta/index.html

[80]

BEST: https://cran.r-project.org/web/packages/BEST/index.html

[81]

bspmma: https://cran.r-project.org/web/packages/bspmma/index.html

[82]

CPBayes: https://cran.r-project.org/web/packages/CPBayes/index.html

[83]

openEBGM: https://cran.r-project.org/web/packages/openEBGM/index.html

[84]

basicMCMCplots: https://cran.r-project.org/web/packages/basicMCMCplots/index.html

[85]

bayeslincom: https://cran.r-project.org/web/packages/bayeslincom/index.html

[86]

ggmcmc: https://cran.r-project.org/web/packages/ggmcmc/index.html

[87]

SamplerCompare: https://cran.r-project.org/web/packages/SamplerCompare/index.html

[88]

baggr: https://cran.r-project.org/web/packages/baggr/index.html

[89]

dirichletprocess: https://cran.r-project.org/web/packages/dirichletprocess/index.html

[90]

lmm: https://cran.r-project.org/web/packages/lmm/index.html

[91]

MCMCglmm: https://cran.r-project.org/web/packages/MCMCglmm/index.html

[92]

RSGHB: https://cran.r-project.org/web/packages/RSGHB/index.html

[93]

vglmer: https://cran.r-project.org/web/packages/vglmer/index.html

[94]

SuperLearner: https://cran.r-project.org/web/packages/SuperLearner/index.html

[95]

abglasso: https://cran.r-project.org/web/packages/abglasso/index.html

[96]

bartMachine: https://cran.r-project.org/web/packages/bartMachine/index.html

[97]

bayesGAM: https://cran.r-project.org/web/packages/bayesGAM/index.html

[98]

BCBCSF: https://cran.r-project.org/web/packages/BCBCSF/index.html

[99]

LAWBL: https://cran.r-project.org/web/packages/LAWBL/index.html

[100]

pscl: https://cran.r-project.org/web/packages/pscl/index.html

[101]

sbgcop: https://cran.r-project.org/web/packages/sbgcop/index.html

[102]

AdMit: https://cran.r-project.org/web/packages/AdMit/index.html

[103]

BayesBinMix: https://cran.r-project.org/web/packages/BayesBinMix/index.html

[104]

BayesBinMix: https://cran.r-project.org/web/packages/BayesBinMix/index.html

[105]

bmixture: https://cran.r-project.org/web/packages/bmixture/index.html

[106]

REBayes: https://cran.r-project.org/web/packages/REBayes/index.html

[107]

BayesianNetwork: https://cran.r-project.org/web/packages/BayesianNetwork/index.html

[108]

Bergm: https://cran.r-project.org/web/packages/Bergm/index.html

[109]

bnlearn: https://cran.r-project.org/web/packages/bnlearn/index.html

[110]

ebdbNet: https://cran.r-project.org/web/packages/ebdbNet/index.html

[111]

eigenmodel: https://cran.r-project.org/web/packages/eigenmodel/index.html

[112]

gRain: https://cran.r-project.org/web/packages/gRain/index.html

[113]

gRain: https://cran.r-project.org/web/packages/gRain/index.html

[114]

NetworkChange: https://cran.r-project.org/web/packages/NetworkChange/index.html

[115]

rstiefel: https://cran.r-project.org/web/packages/rstiefel/index.html

[116]

sna: https://cran.r-project.org/web/packages/sna/index.html

[117]

ssgraph: https://cran.r-project.org/web/packages/ssgraph/index.html

[118]

bayesQR: https://cran.r-project.org/web/packages/bayesQR/index.html

[119]

BAS: https://cran.r-project.org/web/packages/BAS/index.html

[120]

basad: https://cran.r-project.org/web/packages/basad/index.html

[121]

BayesGPfit: https://cran.r-project.org/web/packages/BayesGPfit/index.html

[122]

BayesianGLasso: https://cran.r-project.org/web/packages/BayesianGLasso/index.html

[123]

BLR: https://cran.r-project.org/web/packages/BLR/index.html

[124]

BNSP: https://cran.r-project.org/web/packages/BNSP/index.html

[125]

BoomSpikeSlab: https://cran.r-project.org/web/packages/BoomSpikeSlab/index.html

[126]

bsamGP: https://cran.r-project.org/web/packages/bsamGP/index.html

[127]

spikeslab: https://cran.r-project.org/web/packages/spikeslab/index.html

[128]

spikeSlabGAM: https://cran.r-project.org/web/packages/spikeSlabGAM/index.html

[129]

CARBayes: https://cran.r-project.org/web/packages/CARBayes/index.html

[130]

CARBayesdata: https://cran.r-project.org/web/packages/CARBayesdata/index.html

[131]

CARBayesST: https://cran.r-project.org/web/packages/CARBayesST/index.html

[132]

CircSpaceTime: https://cran.r-project.org/web/packages/CircSpaceTime/index.html

[133]

geoR: https://cran.r-project.org/web/packages/geoR/index.html

[134]

Spatial: https://cran.r-project.org/web/views/Spatial.html

[135]

spBayes: https://cran.r-project.org/web/packages/spBayes/index.html

[136]

spTimer: https://cran.r-project.org/web/packages/spTimer/index.html

[137]

tgp: https://cran.r-project.org/web/packages/tgp/index.html

[138]

BMA: https://cran.r-project.org/web/packages/BMA/index.html

[139]

ensembleBMA: https://cran.r-project.org/web/packages/ensembleBMA/index.html

[140]

BMA: https://cran.r-project.org/web/packages/BMA/index.html

[141]

BayesARIMAX: https://cran.r-project.org/web/packages/BayesARIMAX/index.html

[142]

bayesDccGarch: https://cran.r-project.org/web/packages/bayesDccGarch/index.html

[143]

bayesdfa: https://cran.r-project.org/web/packages/bayesdfa/index.html

[144]

bayesGARCH: https://cran.r-project.org/web/packages/bayesGARCH/index.html

[145]

bayeslongitudinal: https://cran.r-project.org/web/packages/bayeslongitudinal/index.html

[146]

BAYSTAR: https://cran.r-project.org/web/packages/BAYSTAR/index.html

[147]

bcp: https://cran.r-project.org/web/packages/bcp/index.html

[148]

bspec: https://cran.r-project.org/web/packages/bspec/index.html

[149]

bsts: https://cran.r-project.org/web/packages/bsts/index.html

[150]

BVAR: https://cran.r-project.org/web/packages/BVAR/index.html

[151]

DIRECT: https://cran.r-project.org/web/packages/DIRECT/index.html

[152]

dlm: https://cran.r-project.org/web/packages/dlm/index.html

[153]

EbayesThresh: https://cran.r-project.org/web/packages/EbayesThresh/index.html

[154]

NetworkChange: https://cran.r-project.org/web/packages/NetworkChange/index.html

[155]

Rbeast: https://cran.r-project.org/web/packages/Rbeast/index.html

[156]

spTimer: https://cran.r-project.org/web/packages/spTimer/index.html

[157]

ssMousetrack: https://cran.r-project.org/web/packages/ssMousetrack/index.html

[158]

rstan: https://cran.r-project.org/web/packages/rstan/index.html

[159]

stochvol: https://cran.r-project.org/web/packages/stochvol/index.html

[160]

AnaCoDa: https://cran.r-project.org/web/packages/AnaCoDa/index.html

[161]

ArchaeoChron: https://cran.r-project.org/web/packages/ArchaeoChron/index.html

[162]

BACCT: https://cran.r-project.org/web/packages/BACCT/index.html

[163]

BaSkePro: https://cran.r-project.org/web/packages/BaSkePro/index.html

[164]

bayesbio: https://cran.r-project.org/web/packages/bayesbio/index.html

[165]

bayesCT: https://cran.r-project.org/web/packages/bayesCT/index.html

[166]

BayesCTDesign: https://cran.r-project.org/web/packages/BayesCTDesign/index.html

[167]

bayes4psy: https://cran.r-project.org/web/packages/bayes4psy/index.html

[168]

bayesianETAS: https://cran.r-project.org/web/packages/bayesianETAS/index.html

[169]

BayesianLaterality: https://cran.r-project.org/web/packages/BayesianLaterality/index.html

[170]

bayesImageS: https://cran.r-project.org/web/packages/bayesImageS/index.html

[171]

bayesLife: https://cran.r-project.org/web/packages/bayesLife/index.html

[172]

BCE: https://cran.r-project.org/web/packages/BCE/index.html

[173]

bqtl: https://cran.r-project.org/web/packages/bqtl/index.html

[174]

coalitions: https://cran.r-project.org/web/packages/coalitions/index.html

[175]

dfpk: https://cran.r-project.org/web/packages/dfpk/index.html

[176]

dina: https://cran.r-project.org/web/packages/dina/index.html

[177]

edina: https://cran.r-project.org/web/packages/edina/index.html

[178]

MCMCvis: https://cran.r-project.org/web/packages/MCMCvis/index.html

[179]

boa: https://cran.r-project.org/web/packages/boa/index.html

[180]

boa: https://cran.r-project.org/web/packages/boa/index.html

[181]

coda: https://cran.r-project.org/web/packages/coda/index.html

[182]

coda: https://cran.r-project.org/web/packages/coda/index.html

[183]

coda: https://cran.r-project.org/web/packages/coda/index.html

[184]

plotMCMC: https://cran.r-project.org/web/packages/plotMCMC/index.html

[185]

coda: https://cran.r-project.org/web/packages/coda/index.html

[186]

ramps: https://cran.r-project.org/web/packages/ramps/index.html

[187]

BaM: https://cran.r-project.org/web/packages/BaM/index.html

[188]

BayesDA: https://cran.r-project.org/web/packages/BayesDA/index.html

[189]

Bolstad: https://cran.r-project.org/web/packages/Bolstad/index.html

[190]

LearnBayes: https://cran.r-project.org/web/packages/LearnBayes/index.html

[191]

bayesmix: https://cran.r-project.org/web/packages/bayesmix/index.html

[192]

JAGS: http://mcmc-jags.sourceforge.net/

[193]

BayesX: https://cran.r-project.org/web/packages/BayesX/index.html

[194]

BayesX: http://www.bayesx.org/

[195]

Boom: https://cran.r-project.org/web/packages/Boom/index.html

[196]

OpenBUGS: http://www.openbugs.net/

[197]

CRANextras: http://www.stats.ox.ac.uk/pub/RWin/

[198]

brms: https://cran.r-project.org/web/packages/brms/index.html

[199]

Stan: http://mc-stan.org/

[200]

shinybrms: https://cran.r-project.org/web/packages/shinybrms/index.html

[201]

brms: https://cran.r-project.org/web/packages/brms/index.html

[202]

greta: https://cran.r-project.org/web/packages/greta/index.html

[203]

greta: https://cran.r-project.org/web/packages/greta/index.html

[204]

WinBUGS: http://www.mrc-bsu.cam.ac.uk/software/bugs/

[205]

R2WinBUGS: https://cran.r-project.org/web/packages/R2WinBUGS/index.html

[206]

Just Another Gibbs Sampler (JAGS): http://mcmc-jags.sourceforge.net/

[207]

rjags: https://cran.r-project.org/web/packages/rjags/index.html

[208]

R2jags: https://cran.r-project.org/web/packages/R2jags/index.html

[209]

runjags: https://cran.r-project.org/web/packages/runjags/index.html

[210]

GraphicalModels: https://cran.r-project.org/web/views/GraphicalModels.html

[211]

rstan: https://cran.r-project.org/web/packages/rstan/index.html

[212]

Stan: http://mc-stan.org/

[213]

rstanarm: https://cran.r-project.org/web/packages/rstanarm/index.html

[214]

rstan: https://cran.r-project.org/web/packages/rstan/index.html

[215]

pcFactorStan: https://cran.r-project.org/web/packages/pcFactorStan/index.html


推文指南

CRAN任务视图:Sports Analytics


Bayesplot 包:可视化贝叶斯模型


贝叶斯 RStan 包入门教程


从贝叶斯滤波到粒子滤波


资料分享|贝叶斯数据分析



您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存