基於MCMC算法的貝葉斯統計方法

基於MCMC算法的貝葉斯統計方法

《基於MCMC算法的貝葉斯統計方法》是2016年03月23日科學出版社出版的圖書,作者是劉金山、夏強。

基本介紹

  • 書名:基於MCMC算法的貝葉斯統計方法
  • 作者:劉金山、夏強
  • 出版社:科學出版社
  • 出版時間:2016年03月
  • 頁數:336 頁
  • 定價:108 元
  • 開本:B5
  • 裝幀:平裝
  • ISBN:9787030474889
內容簡介,圖書目錄,

內容簡介

隨著計算機、網際網路等信息技術的發展,馬爾可夫鏈蒙特卡羅(MCMC)模擬技術使貝葉斯統計方法得以套用於許多領域的複雜問題.本書在介紹常用MCMC 算法的基礎上,著重介紹計算貝葉斯後驗估計的MCMC 方法和新發展的貝葉斯隨機搜尋模型選擇方法,特別是MCMC 方法在貝葉斯數據分析中的套用. 為了便於讀者掌握 MCMC 方法,書中提供了大量的數據分析案例及相應的算法程式、圖表和模擬分析結果.

圖書目錄

引言
第1章 貝葉斯統計中的MCMC方法
1.1 Gibbs算法
1.1.1 基本Gibbs抽樣
1.1.2 Gibbs抽樣的收斂性
1.1.3 潛變模型的Gibbs抽樣
1.1.4 分層模型的Gibbs抽樣
1.2 M-H算法
1.2.1 基本M-H算法
1.2.2 M-H算法的收斂性
1.2.3 獨立鏈和隨機遊走鏈M-H算法
1.3 混合算法
1.4 逃逸算法
1.5 可逆跳MCMC算法
1.6 MCMC算法的加速收斂
1.6.1 分組移動和多格線MC抽樣
1.6.2 MCMC算法的協方差改進
1.6.3 評分數據例子
1.6 ,4其他加速收斂方法
1.7 收斂性診斷
1.7.1 收斂到平穩分布
1.7.2 收斂到後驗均值
第2章 貝葉斯後驗估計
2.1 計算後驗均值
2.1.1 基本MC方法
2.1.2 標準誤差的估計
2.1.3 MC估計的改進
2.1.4 控制模擬誤差
2.2 計算後驗眾數
2.2.1 矩陣微分
2.2.2 Lindley-Smith最最佳化
2.2.3 隨機近似方法
2.3 估計邊緣後驗密度
2.3.1 邊緣後驗密度
2.3.2 核估計方法
2.3.3 重要性加權密度估計
2.3.4 基於K-L散度的有效性
第3章 貝葉斯模型選擇
3.1 貝葉斯模型比較
3.1.1 邊緣似然
3.1.2 預測密度
3.2 隨機搜尋模型選擇方法
3.2.1 線性回歸模型的變數選擇
3.2.2 自回歸模型的滯後項選擇
3.3 貝葉斯模型平均
3.4 模型選擇的可逆跳MCMC方法
3.4.1 可逆跳MCMC方法
3.4.2 變階數時間序列模型選擇方法
第4章 多元貝葉斯回歸模型
4.1 多元線性回歸模型
4.1.1 共軛先驗下的貝葉斯推斷
4.1.2 廣義先驗下的貝葉斯推斷
4.1.3 實例分析
4.2 向量自回歸模型
4.2.1 VAR模型定義
4.2.2 似然函式和先驗分布
4.2.3 VAR模型約束的隨機搜尋
4.2.4 模擬實驗
4.3 SUR模型的Gibbs抽樣
4.3.1 基本SUR模型
4.3.2 數值模擬
4.4 SUR模型的分層貝葉斯分析
4.4.1 分層模型的Gibbs抽樣
4.4.2 具有相關序列誤差的SUR模型
4.4.3 具有時變參數的SUR模型
4.4.4 實例分析
4.5 SUR模型的變係數MCMC方法
4.5.1 SUR模型的變換形式
4.5.2 模型參數變換
4.5 ,3模擬實驗
4.5.4 實例分析
4.6 非參數SUR模型的MCMC方法
4.6.1 基函式展開及分層分析
4.6.2 條件後驗分布
4.6.3 MCMC抽樣方法
4.6.4 模擬實驗
4.6.5 實例分析
4.7 多元空間回歸模型
4.7.1 公共分量模型
4.7.2 空間回歸模型
4.7.3 先驗分布
4.7.4 後驗推斷
4.7.5 實例分析
第5章 一些非線性時間序列模型
5.1 門限自回歸模型
5.1.1 模型參數估計
5.1.2 模型選擇的RJMCMC方法
5.1.3 抽樣方案
5.1.4 模擬舉例
5.2 門限自回歸模型的變點分析
5.2.1 模型的定義
5.2.2 模型參數的貝葉斯推斷
5.2.3 模型後驗機率的估計
5.2.4 模擬舉例
5.3 多變點門限自回歸模型
5.3.1 模型的參數估計
5.3.2 門限估計的MCMC方法
5.3.3 模擬舉例
5.4 門限自回歸滑動平均模型
5.4.1 模型參數的貝葉斯推斷
5.4.2 模型選擇的RJMCMC方法
5.4.3 模擬舉例
5.5 帶有外生變數的門限自回歸滑動平均模型
5.5.1 模型參數的貝葉斯推斷
5.5.2 模擬舉例
第6章 其他貝葉斯模型
6.1 空氣污染模型
6.1.1 貝葉斯模型分析
6.1.2 實際數據分析
6.1.3 結論
6.2 貨幣匯率模型
6.2.1 雙門限GARCH模型
6.2.2 參數的貝葉斯推斷
6.2.3 實證分析
6.3 大腦圖像分割模型
6.3.1 功能性磁共振成像
6.3.2 分層混合模型的貝葉斯分析
6.3.3 分層混合模型的RJMCMC方法
6.3.4 大腦FMRI圖像分割
6.4 河流水文數據模型
6.4.1 變點水文時間序列概述
6.4.2 貝葉斯變點時序分析
6.4.3 貝葉斯變點回歸分析
6.4.4 結論
6.5 隨機波動模型
6.5.1 隨機波動模型簡介
6.5.2 隨機波動模型的貝葉斯推斷
6.5.3 實證分析
參考文獻
附錄A 常用統計分布
A.1 一元統計分布
A.1.1 二項分布
A.1.2 貝塔分布
A.1.3 常態分配
A.1.4 伽馬分布
A.1.5 逆伽馬分布
A.1.6 學生t分布
A.1.7 F分布
A.2 多元統計分布
A.2.1 多元常態分配
A.2.2 多元t分布
A.3 隨機矩陣分布
A.3.1 矩陣常態分配
A.3.2 Wishart分布
A.3.3 逆Wishart分布
A.3.4 矩陣T分布
……
附錄B 統計軟體簡介
附錄C 4.6.4 節模擬實驗的R程式

相關詞條

熱門詞條

聯絡我們