贝叶斯统计学是一门基本思想与传统基于频率思想的统计学完全不同的统计学方法;它以其灵活性和先进性在现代的统计学中占据着重要的地位。贝叶斯回归方法作为传统回归技术在贝叶斯统计学中的拓展,在各个专业领域中都有着广泛的应用。
汪博士:主讲专家来自中国科学院及重点高校资深专家,长期从事结构方程模型、群落生态学、保护生物学、景观生态学和生态模型方面的研究和教学工作,以发表了多篇论文,拥有丰富的科研及实践经验。
专题一:贝叶斯模型的步骤 | 1.贝叶斯定理 2.先验与后验分布 3.假设检验 4.模型选择 5.贝叶斯计算方法简介 |
专题二:积分嵌套拉普斯近似 | 1.隐高斯模型 2.高斯-马尔科夫随机场 3.拉普拉斯近似与INLA |
专题三:INLA下的贝叶斯回归(一) | 1.线性回归的贝叶斯推断 2.预测模型 3.贝叶斯下的模型选择 4.稳定回归 5.方差分析 |
专题四:INLA下的贝叶斯回归(二) | 1.Ridge回归 2.计数数据与泊松回归 3.偏斜数据的伽马回归 4.零膨胀数据建模 5.负二项回归初步 |
专题五:多层贝叶斯回归 | 1.随机效应多层模型 2.嵌套效应多层模型 3.面板(测量)数据的多层模型 4.计数数据的多层模型 |
专题六:生存分析 | 1.分段线性风险模型 2.分层比例风险模型 3.加速失效模型 4.脆弱模型 5.面板与时间-事件数据的联合建模 |
专题七:随机游走非参数模型 | 1.光滑曲线模型 2.非高斯数据模型 3.罚曲线回归 4.广义非参数回归 |
专题八:广义可加模型 | 1.可加曲线回归 2.广义可加混合效应模型 3.计数数据的广义可加模型 |
专题九:极端数据的贝叶斯分析与其它 | 1.极值统计学简介 2.极值统计学的贝叶斯估计 3.基于INLA的密度估计 |