 |
|
贝叶斯方法因其灵活性且可以轻松地将相关性和层次结构正式纳入数据中，所以对包括空间和时间信息在内的大型数据集建模尤为有效。然而，其所依赖的诸如马尔可夫链蒙特卡罗(MCMC)等经典模拟方法在计算上会使之变得不可行；本书所介绍的积分嵌套拉普拉斯近似（INLA）方法则可作为一种计算有效且强有力的MCMC的替代方法。 本书介绍了贝叶斯方法的基本范式，并阐述了相关的计算问题;详细介绍了 INLA 方法和 R-INLA 软件包背后的理论，并把重点聚焦在区域和点参考数据的空间和时空建模上。 全书将详细的理论和实际数据分析相结合，对任何水平的读者都会大有裨益。所有示例都提供基于R-INLA的代码，其数据集可在INLA 网站获得，这对于想了解INLA 方法或提高其实践能力的应用研究人员来说，是一个极具吸引力的特点。 |
 |
|
前辅文 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
