作者從概率統計和編程兩方面入手，由淺入深地指導讀者如何對實際數據進行貝葉斯分析。全書分成三部分，第一部分為基礎篇：關於參數、概率、貝葉斯法則及R軟件，第二部分為二元比例推斷的基本理論，第三部分為廣義線性模型。內容包括貝葉斯統計的基本理論、實驗設計的有關知識、以層次模型和MCMC為代表的復雜方法等。同時覆蓋所有需要用到非貝葉斯方法的情況，其中包括：t-檢驗，方差分析（ANOVA）和ANOVA中的多重比較法，多元線性回歸，Logistic回歸，序列回歸和卡方（列聯表）分析。針對不同的學習目標（如R、BUGS等）列出了相應的重點章節；整理出貝葉斯統計中某些與傳統統計學可作類比的內容，方便讀者快速學習。本中提出的方法都是可操作的，並且所有涉及數學理論的地方都已經用實際例子非常直觀地進行了解釋。由於並不對讀者的統計或編程基礎有較高的要求，因此本書非常適合社會學或生物學研究者入門參考，同時也可作為相關科研人員的參考書。

貝葉斯統計方法----R和BUGS軟件數據分析示例（影印版）第1章 關於本書1.1 目標讀者1.2 預備知識1.3 本書結構1.3.1 重點章節1.3.2 與貝葉斯方法對應的傳統檢驗方法1.4 期待反饋1.5 致謝第1部分 基礎篇：關於參數、概率、貝葉斯法則及R軟件第2章 我們所信的模型2.1 觀測模型與信念模型2.1.1 先驗信念與后驗信念2.2 統計推斷的三個目標2.2.1 參數估計2.2.2 數值預測2.2.3 模型比較2.3 R編程基礎2.3.1 軟件的獲取和安裝2.3.2 激活R和命令行使用2.3.3 應用實例2.3.4 獲取幫助2.3.5 編程2.4 練習第3章 概率究竟是什麼？3.1 所有可能事件的集合3.1.1 拋硬幣實驗3.2 概率：意識內外3.2.1 意識之外：長期相對頻率3.2.2 意識以內：主觀信念3.2.3 概率：量化可能性3.3 概率分布3.3.1 離散分布：概率質量3.3.2 連續分布：密度初探3.3.3 分布的均值與方差3.3.4 反映信念不確定性的方差3.3.5 最 高密度區間（HDI）3.4 雙變量聯合分布3.4.1 邊際概率3.4.2 條件概率3.4.3 獨立事件3.5 R代碼3.5.1圖3.1的R代碼3.5.2 圖3.3的R代碼3.6 練習第4章 貝葉斯公式4.1 貝葉斯公式簡介4.1.1 從條件概率的定義導出4.1.2 受雙因素表的啟發4.1.3 連續情形下的積分表達4.2 在模型和數據中的應用4.2.1 數據的順序不變性4.2.2一個例子：拋硬幣4.3 推斷的三個目標4.3.1 參數估計4.3.2 數值預測4.3.3 模型比較4.3.4 為什麼貝葉斯推斷是困難的4.3.5 貝葉斯推斷在日常生活中的應用4.4 R代碼4.4.1圖4.1的R代碼4.5 練習第2部分 用於二元比例推斷的基本理論第5章 二元比例推斷的精確數學分析方法5.1 伯努利分布的似然函數5.2 貝塔分布簡介5.2.1 先驗貝塔分布5.2.2 后驗貝塔分布5.3 推斷的三個目標5.3.1 二元比例的估計5.3.2 預測數據5.3.3 模型比較5.4 總結：如何做貝葉斯推斷5.5 R代碼5.5.1 圖5.2的R代碼5.6 練習第6章 二元比例推斷的格點估計法6.1 θ取值離散時的貝葉斯准則6.2 連續先驗密度的離散化6.2.1 離散化先驗密度的例子6.3 估計6.4 序貫數據的預測6.5 模型比較6.6 總結6.7 R代碼6.7.1 圖6.2及類似圖形的R代碼6.8 練習第7章 二元比例推斷的Metropolis算法7.1 Metropolis算法的簡單例子7.1.1 政治家巧遇Metropolis算法7.1.2 隨機游走7.1.3 隨機游走的性質7.1.4 為什麼關注隨機游走7.1.5 Metropolis算法是如何起作用的7.2 Metropolis算法的詳細介紹7.2.1 預燒、效率和收斂7.2.2 術語：馬爾可夫鏈-蒙特卡羅方法7.3 從抽樣后驗分布到推斷的三個目標7.3.1 估計7.3.2 預測7.3.3 模型比較：p(D)的估計7.4 BUGS的MCMC7.4.1 用BUGS估計參數7.4.2 用BUGS預測7.4.3 用BUGS進行模型比較7.5 結論7.6 R代碼7.6.1 作者編寫的Metropolis算法的R代碼7.7 練習第8章 使用Gibbs抽樣推斷兩個二元比例8.1 兩個比例的先驗、似然和后驗8.2 后驗分布的精確表達8.3 使用格點估計近似后驗分布8.4 使用MCMC推斷后驗分布8.4.1 Metropolis算法8.4.2 Gibbs抽樣8.5 BUGS實現8.5.1 在BUGS中抽樣獲取先驗分布8.6 潛在偏差有何差異？8.7 總結8.8 R代碼8.8.1 格點估計的R代碼（圖8.1和圖8.2）8.8.2 Metropolis抽樣的R代碼（圖8.3）8.8.3 BUGS抽樣的R代碼（圖8.6）8.8.4 畫后驗直方圖的R代碼8.9 練習第9章 多層先驗下的伯努利似然9.1 單個鑄幣廠生產的單枚硬幣9.1.1 通過網格近似得到后驗估計19.2 單個鑄幣廠生產的多枚硬幣9.2.1 通過網格近似得到后驗估計29.2.2 通過蒙特卡羅抽樣得到后驗估計9.2.3 單枚鑄幣估計的離群和收縮9.2.4 案例研究：觸摸治療9.2.5 硬幣數量及每枚硬幣的拋擲次數9.3 多個鑄幣廠生產的多枚硬幣9.3.1 獨立鑄幣廠9.3.2 非獨立鑄幣廠9.3.3 個體間差異及Meta分析9.4 總結9.5 R代碼9.5.1 觸摸治療實驗的分析代碼9.5.2 過濾冷凝實驗的分析代碼9.6 練習第10章 分層建模和模型比較10.1 多層模型的模型比較10.2 BUGS中的模型比較10.2.1 一個簡單的例子10.2.2 帶有偽先驗的真實例子10.2.3 在使用帶有偽先驗的跨維度MCMC時的一些建議10.3 嵌套模型的模型比較10.4 模型比較的分層框架回顧10.4.1 MCMC模型比較的比較方法10.4.2 總結和警告10.5 練習第11章 原假設顯著性檢驗（NHST）11.1硬幣是否均勻的NHST11.1.1 固定N的情況11.1.2 固定z的情況11.1.3 自我反省11.1.4 貝葉斯分析11.2 關於硬幣的先驗信息11.2.1 NHST分析11.2.2 貝葉斯分析11.3 置信區間和最 高密度區間（HDI）11.3.1 NHST置信區間11.3.2 貝葉斯HDI11.4 多重假設11.4.1 對實驗誤差的NHST修正11.4.2 唯 一的貝葉斯后驗結論11.4.3 貝葉斯分析如何減少誤報11.5 怎樣的抽樣分布才是好的11.5.1 確定實驗方案11.5.2 探索模型預測（后驗預測校驗）11.6 練習第12章 單點檢驗的貝葉斯方法12.1 單一先驗的估計方法12.1.1 參數的原假設值是否在可信范圍內？12.1.2 差異的原假設值是否在可信范圍內？12.1.3 實際等效區域（ROPE）12.2 兩個模型的先驗比較方法12.2.1 兩枚硬幣的均勻性是否相同？12.2.2 不同組之間是否有差異？12.3 模型比較的估計12.3.1 原假設值為真的概率是多少？12.3.2 建議12.4 R代碼12.4.1 圖12.5的R代碼12.5 練習第13章 目標、勢和樣本量13.1 勢的相關內容13.1.1 目標和障礙13.1.2 勢13.1.3 樣本量13.1.4 目標的其他表現形式13.2 一枚硬幣的樣本量13.2.1 以否定原假設值為目的13.2.2 以精確為目的13.3 檢驗多家鑄幣廠的樣本量13.4 勢：預期、回顧和重復13.4.1 勢分析需要逼真的模擬數據13.5 計划的重要性13.6 R代碼13.6.1 一枚硬幣的樣本量13.6.2 檢驗多家鑄幣廠的勢和樣本量13.7 練習第3部分 廣義線性模型的應用第14章 廣義線性模型概述14.1 廣義線性模型（GLM）14.1.1 預測變量和響應變量14.1.2 變量尺度類型：定量、順序和名義14.1.3 一元線性回歸14.1.4 多元線性回歸14.1.5 預測變量的非線性交互作用14.1.6 名義型預測變量14.1.7 鏈接函數14.1.8 概率預測14.1.9 GLM的正則表達14.1.10 兩個或多個名義型變量預測頻率14.2 GLM的案例14.3 練習第15章 單總體的參數估計15.1 通過正態似然估計總體均值和標准差15.1.1 數學分析解法15.1.2 在BUGS軟件中應用馬爾可夫鏈-蒙特卡羅方法逼近15.1.3 離群點和穩健估計方法：t分布15.1.4 當數據非正態時：變換15.2 重復測量和個體差異15.2.1 分層模型15.2.2 在BUGS軟件中實現15.3 總結15.4 R代碼15.4.1通過正態似然估計總體均值和標准差15.4.2 重復測量15.5 練習第16章 一元回歸16.1 簡單線性回歸16.1.1 分層模型和BUGS代碼16.1.2 斜率的后驗分布16.1.3 后驗概率預測16.2 離群點和穩健回歸方法16.3 簡單線性回歸的重復測量16.4 總結16.5 R代碼16.5.1 生成身高和體重的數據16.5.2 BRugs：穩健線性回歸16.5.3 BRugs：簡單線性回歸的重復測量16.6 練習第17章 多元回歸17.1 多元線性回歸17.1.1 相關預測變量的影響17.1.2 模型和BUGS程序17.1.3 斜率的后驗分布17.1.4 后驗概率預測17.2 超先驗信息和回歸系數的收縮17.2.1 先驗信息、稀疏數據和相關預測變量17.3 定量預測變量的交互作用17.3.1 分層模型和BUGS代碼17.3.2 解釋后驗信息17.4 預測變量選擇17.5 R代碼17.5.1 多元線性回歸17.5.2 系數具有超先驗信息的多元線性回歸17.6 練習第18章 單因素方差分析18.1 貝葉斯單因素方差分析18.1.1 分層先驗信息18.1.2 在R軟件和BUGS軟件中實現18.1.3 一個案例18.2 多重比較18.3 兩總體的貝葉斯方差分析和顯著性t檢驗18.4 R代碼18.4.1 貝葉斯單因素方差分析18.5 練習第19章 定量因變量與多元定性預測變量19.1 貝葉斯多元方差分析19.1.1 定性預測變量的相互作用19.1.2 分層次的先驗分布19.1.3 R軟件和BUGS軟件中的一個例子19.1.4 后驗結果的解釋19.1.5 無相互作用性，數據變換，方差一致性19.2 重復測量--受測者內設計19.2.1 為什麼要使用受測者內設計，為什麼不使用？19.3 R代碼19.3.1 貝葉斯兩因素的方差分析19.4 練習第20章 二分類因變量20.1 Logistic回歸20.1.1 模型20.1.2 在R軟件和BUGS軟件中實現20.1.3后驗結果的解釋20.1.4 預測變量相關性對模型的影響20.1.5 數據不平衡性20.1.6 回歸系數的超先驗分布20.2 Logistic回歸模型預測變量的相互作用20.3Logistic方差模型20.3.1 受測者內設計20.4 總結20.5 R代碼20.5.1 Logistic回歸模型代碼20.5.2 Logistic方差模型代碼20.6練習第21章 定序因變量建模21.1 定序Probit回歸模型21.1.1 數據的結構21.1.2 定量x與定序y的映射21.1.3模型參數與其先驗分布21.1.4 MCMC效率的標准化21.1.5 后驗結果的預測21.2 一些例子21.2.1 為什麼一些閾值會超出數據范圍21.3 預測變量相互作用21.4 線性回歸與Logistic回歸模型的關系21.5 R代碼21.6練習第22章 列聯表分析22.1 泊松指數方差模型22.1.1 數據是什麼？22.1.2 指數鏈接函數22.1.3泊松似然22.1.4 模型參數與其分層先驗分布22.2 一些例子22.2.1 網格概率的置信區間22.3 列聯表對數線性模型22.4 泊松指數模型R代碼22.5練習第23章 補充主題23.1 貝葉斯分析報告23.1.1 關鍵元素23.1.2 可選內容23.1.3 其他要點23.2 MCMC的加厚和稀化23.3.估計最 高密度區間函數23.3.1 R代碼：格點估計HDI的計算23.3.2 R代碼：MCMC抽樣HDI的計算23.3.3 R代碼：函數HDI的計算23.4 概率分布的重新參數化23.4.1 示例23.4.2 兩參數的重新參數化參考文獻索引