前言<br>符号缩写及说明<br>第1章 贝叶斯统计计算<br>1.1 贝叶斯理论<br>1.2 随机数的生成<br>1.2.1 逆变换法<br>1.2.2 合成抽样<br>1.2.3 筛选抽样<br>1.2.4 正态分布抽样<br>1.2.5 随机向量抽样<br>1.3 Monte Carlo计算<br>1.3.1 随机投点法<br>1.3.2 样本平均值法<br>1.3.3 重要抽样法<br>1.3.4 分层抽样法<br>1.3.5 关联抽样法<br>1.4 MCMC计算<br>1.4.1 Markov链<br>1.4.2 完全条件分布<br>1.4.3 MH抽样<br>1.4.4 Gibbs抽样<br>1.4.5 G-R收敛性诊断<br>1.4.6 贝叶斯计算软件<br><br>第2章 统计分布理论<br>2.1 伽玛分布族<br>2.1.1 伽玛分布<br>2.1.2 逆伽玛分布<br>2.2 正态分布族<br>2.2.1 正态分布<br>2.2.2 多元正态分布<br>2.2.3 矩阵正态分布<br>2.3 Wishart分布族<br>2.3.1 Wishart分布<br>2.3.2 逆Wishart分布<br>2.4 t分布族<br>2.4.1 t分布<br>2.4.2 多元t分布<br>2.4.3 矩阵t分布<br>2.4.4 逆矩阵t分布<br><br>第3章 贝叶斯决策理论<br>3.1 位置一尺度参数的扩散先验分布<br>3.1.1 位置参数的扩散先验分布<br>3.1.2 尺度参数的扩散先验分布<br>3.1.3 位置一尺度参数的联合扩散先验分布<br>3.2 共轭先验分布<br>3.3 贝叶斯风险决策解<br>3.3.1 单参数的贝叶斯风险决策解<br>3.3.2 随机参数向量的贝叶斯风险决策解<br>3.3.3 矩阵损失函数与随机参数矩阵的贝叶斯风险决策解<br><br>第4章 贝叶斯线性回归模型<br>4.1 贝叶斯多元线性回归模型<br>4.1.1 模型结构分析<br>4.1.2 参数分量的后验分布<br>4.1.3 部分参数的联合后验分布<br>4.1.4 方差的后验分布<br>4.1.5 设计阵奇异模型的贝叶斯分析<br>4.2 参数线性假设的贝叶斯检验<br>4.3 随机误差序列自相关的贝叶斯诊断方法<br>4.3.1 引言<br>4.3.2 后验条件分布<br>4.3.3 贝叶斯检验与区间估计<br>4.3.4 数值算例<br>……<br>第5章 贝叶斯自回归移动平均模型<br>第6章 贝叶斯向量自回归模型<br>第7章 贝叶斯自回归条件异方差模型<br>第8章 贝叶斯随机波动模型<br>参考文献
展开
