书名：贝叶斯数据分析:第2版  
定价：199.8  
ISBN：9787115630582  
作者：[美]约翰·K. 克鲁施克（John K. Kruschke）  
版次：第1版  
出版时间：2024-01  

内容提要：  
本书展示了如何使用真实的数据真实地进行贝叶斯数据分析。作者从概率与程序设计的基本概念出发，逐步带你进阶，帮助你*终掌握在实际的贝叶斯数据分析中常用的*模型。本书分为三大部分，共有25章。*部分介绍基础知识，内容包括贝叶斯推断的基本思想、模型、概率及R语言编程。*部分涵盖了现代贝叶斯数据分析的所有关键思想。第三部分介绍如何在实际数据上应用贝叶斯方法。  



作者简介：  
约翰·K. 克鲁施克（John K. Kruschke），美国加州大学伯克利分校博士，美国印第安纳大学心理学和脑科学名誉教授、统计学副教授，拥有近25年的统计学教学经验。他提出的注意力学习模型受到广泛关注，曾凭借在心理学研究方面所做的杰出贡献，斩获由美国国家科学院颁发的特罗兰研究奖。  

目录：  
第 1章 内容概览 1  
1.1 你真的可以读懂本书 1  
1.2 本书内容 2  
1.2.1 你很忙。你*少要阅读哪几章 3  
1.2.2 你真的很忙！能阅读得再少一些吗 3  
1.2.3 你想多读一点内容，但不要太多 3  
1.2.4 如果你只是需要拒绝一个*假设 4  
1.2.5 本书中与某传统检验等同的方法在哪里 4  
1.3 第 2 版中有哪些新内容 5  
1.4 给我反馈（请保持礼貌） 6  
1.5 谢谢你们！ 7  
第 一部分 基础知识：模型、概率、贝叶斯法则和R  
第 2章 可信度、模型与参数 10  
2.1 贝叶斯推断是在多种可能性间重新分配可信度 10  
2.2 可能性是描述性模型中的参数值 15  
2.3 贝叶斯数据分析的步骤 16  
2.4 练习 21  
第3章 R语言 22  
3.1 获取软件 23  
3.2 使用R 的一个简单的例子 24  
3.3 R 中的基本命令和运算符 26  
3.3.1 在R 中获取帮助 26  
3.3.2 算术和逻辑运算符 26  
3.3.3 赋值、关系运算符和等值判断 27  
3.4 变量类型 28  
3.4.1 向量 28  
3.4.2 因子 31  
3.4.3 矩阵和数组 33  
3.4.4 列表和数据框 35  
3.5 加载和保存数据 36  
3.5.1 函数read.csv 和read.table 36  
3.5.2 在R 中存储数据 38  
3.6 一些工具函数 39  
3.7 在R 中编程 42  
3.7.1 R 中变量的名称 43  
3.7.2 运行程序 43  
3.7.3 编写一个函数 44  
3.7.4 条件与循环 45  
3.7.5 测量处理时间 46  
3.7.6 调试 47  
3.8 绘制图形：打开和保存 48  
3.9 小结 49  
3.10 练习 49  
第4章 概率是什么 50  
4.1 所有可能事件的集合 50  
4.2 概率：脑海以外与脑海之内 52  
4.2.1 脑海以外：长期相对频率 52  
4.2.2 脑海之内：主观信念 54  
4.2.3 概率为可能性分配数值 55  
4.3 概率分布 55  
4.3.1 离散分布：概率质量 55  
4.3.2 连续分布：与密度的约会 57  
4.3.3 分布的均值和方差 60  
4.3.4 *密度区间 62  
4.4 双向分布 64  
4.4.1 条件概率 65  
4.4.2 属性的独立性 66  
4.5 附录：图4-1 的R 代码 67  
4.6 练习 68  
第5章 贝叶斯法则 70  
5.1 贝叶斯法则概览 70  
5.1.1 从条件概率的定义得出贝叶斯法则 71  
5.1.2 从双向离散表得出贝叶斯法则 72  
5.2 应用于参数和数据 74  
5.3 完整示例：估计硬币的偏差 77  
5.3.1 样本量对后验概率的影响 80  
5.3.2 先验概率对后验概率的影响 81  
5.4 为什么贝叶斯推断很困难 82  
5.5 附录：图5-1、图5-2 等的R 代码 82  
5.6 练习 84  
*部分 二项概率推断的基本原理  
第6章 用*的数学分析方法推断二项概率 88  
6.1 似然函数：伯努利分布 89  
6.2 可信度的描述：Beta分布 90  
6.3 Beta 后验分布 94  
6.4 示例 96  
6.4.1 用Beta分布表示先验知识 96  
6.4.2 不能用Beta 分布表示的先验知识 97  
6.5 小结 99  
6.6 附录：图6-4 的R 代码 99  
6.7 练习 100  
第7章 马尔可夫链蒙特卡罗 102  
7.1 用大样本近似分布 103  
7.2 Metropolis 算法的一个简单实例 104  
7.2.1 根据Metropolis 算法游走的政治家 104  
7.2.2 随机游走 105  
7.2.3 随机游走的一般性质 106  
7.2.4 我们为什么要关心它 108  
7.2.5 它为什么是有效的 108  
7.3 更一般的Metropolis 算法 111  
7.3.1 对伯努利似然和Beta 分布应用Metropolis 算法 112  
7.3.2 Metropolis 算法总结 115  
7.4 Gibbs 抽样：估计两枚硬币的偏差 115  
7.4.1 两个偏差的先验、似然和后验 116  
7.4.2 通过*的数学分析方法得到后验 118  
7.4.3 通过Metropolis 算法得到后验 120  
7.4.4 Gibbs 抽样 121  
7.4.5 偏差之间是否有区别 125  
7.4.6 术语：MCMC 126  
7.5 MCMC 的代表性、*性和效率 127  
7.5.1 MCMC 的代表性 127  
7.5.2 MCMC 的*性 129  
7.5.3 MCMC 的效率 134  
7.6 小结 134  
7.7 练习 135  
第8章 JAGS 137  
8.1 JAGS 及其与R 的关系 137  
8.2 一个完整的例子 138  
8.2.1 加载数据 140  
8.2.2 定义模型 141  
8.2.3 初始化链 142  
8.2.4 生成链 144  
8.2.5 诊断链 145  
8.3 常用分析的简化脚本 147  
8.4 示例：偏差之间的差异 148  
8.5 用JAGS 从先验分布中抽样 150  
8.6 JAGS 中可用的概率分布 152  
8.7 在runjags 中利用并行过程进行快速抽样 153  
8.8 扩展JAGS 模型时的提示 155  
8.9 练习 156  
第9章 层次模型 157  
9.1 一个铸币厂的一枚硬币 158  
9.2 一个铸币厂的多枚硬币 164  
9.2.1 网格近似法得到的后验分布 165  
9.2.2 一个实际的模型与MCMC 168  
9.2.3 用JAGS 实现 170  
9.2.4 示例：触摸疗法 171  
9.3 层次模型中的收缩 176  
9.4 使JAGS 加速 178  
9.5 扩展层次结构：按类别划分的被试 179  
9.6 练习 186  
第 10章 模型比较与层次建模 190  
10.1 一般形式与贝叶斯因子 190  
10.2 示例：两个铸币厂 192  
10.2.1 数学分析的解法 193  
10.2.2 网格近似的解法 194  
10.3 MCMC 的解法 196  
10.3.1 用无层次的MCMC计算各模型的边际似然 196  
10.3.2 用有层次的MCMC计算模型的相对概率 199  
10.3.3 JAGS 中具有不同“噪声”分布的模型 207  
10.4 预测：模型平均 208  
10.5 自然地考虑模型复杂度 209  
10.6 对先验分布非常敏感 211  
10.7 练习 213  
第 11章 *假设显著性检验 214  
11.1 从良好的计划出发 216  
11.1.1 p 值的定义 216  
11.1.2 固定了N 的计划 218  
11.1.3 固定了z 的计划 220  
11.1.4 固定了持续时间的计划 222  
11.1.5 进行多次检验的计划 223  
11.1.6 深思 225  
11.1.7 贝叶斯数据分析 226  
11.2 先验知识 227  
11.2.1 NHST 分析 227  
11.2.2 贝叶斯数据分析 227  
11.3 CI 和HDI 229  
11.3.1 CI 取决于计划 229  
11.3.2 贝叶斯HDI 234  
11.4 多重比较 235  
11.4.1 NHST 实验总体误差校正 235  
11.4.2 无论你怎么看，*只需要一个贝叶斯后验 237  
11.4.3 贝叶斯数据分析如何减少虚假警报 237  
11.5 抽样分布有什么好处. 238  
11.5.1 规划实验 238  
11.5.2 探索模型预测率（后验预测检验） 239  
11.6 练习 239  
第 12章 检验*假设的贝叶斯方法 242  
12.1 参数估计的方法 242  
12.1.1 实际等价区域 243  
12.1.2 一些例子 245  
12.2 模型比较的方法 248  
12.2.1 硬币是否公平 248  
12.2.2 不同的组之间是否相等 251  
12.3 参数估计与模型比较的联系 255  
12.4 参数估计还是模型比较 256  
12.5 练习 256  
第 13章 目标、功效与样本量 259  
13.1 想得到功效 259  
13.1.1 目标与障碍 259  
13.1.2 功效 260  
13.1.3 样本量 262  
13.1.4 目标的其他表达法 263  
13.2 计算功效与样本量 264  
13.2.1 当目标是排除*假设值时 264  
13.2.2 R 中的数学分析解法与实现 265  
13.2.3 当目标是精度时 267  
13.2.4 功效的蒙特卡罗估计 269  
13.2.5 理想或真实数据的功效 271  
13.3 序列检验与精度目标 277  
13.3.1 序列检验的例子 278  
13.3.2 序列检验的一般表现 280  
13.4 讨论 284  
13.4.1 功效与多重比较 284  
13.4.2 功效：前瞻性、回顾性和重复性 284  
13.4.3 功效分析要求模拟数据具有真实性 285  
13.4.4 规划的重要性 285  
13.5 练习 286  
第 14章 Stan 288  
14.1 HMC 抽样 289  
14.2 安装Stan 294  
14.3 一个完整的示例 294  
14.3.1 重复使用编译后的模型 296  
14.3.2 Stan 模型定义的总体结构 296  
14.3.3 像Stan 那样思考对数概率 297  
14.3.4 在Stan 中对先验抽样 298  
14.3.5 常用分析的简化脚本 298  
14.4 在Stan 中自上而下地定义模型 299  
14.5 局限性 300  
14.6 练习 300  
第三部分 广义线性模型  
第 15章 广义线性模型概述 304  
15.1 变量类型 304  
15.1.1 预测变量和被预测变量 305  
15.1.2 尺度类型：计量、顺序、名义和计数 305  
15.2 多个预测变量的线性组合 307  
15.2.1 单个计量预测变量的线性函数 307  
15.2.2 计量预测变量的加法组合 308  
15.2.3 计量预测变量的非加法交互作用 309  
15.2.4 名义预测变量 311  
15.3 从预测变量的组合到充满噪声的被预测变量的连接 316  
15.3.1 从预测变量到被预测变量的集中趋势 316  
15.3.2 从被预测变量的集中趋势到充满噪声的数据 319  
15.4 广义线性模型的形式化表达 322  
15.5 练习 323  
第 16章 单组或两组的计量被预测变量 325  
16.1 估计正态分布的均值和标准差 325  
16.1.1 数学分析的解法 327  
16.1.2 JAGS 中的MCMC 近似法 329  
16.2 离群值与稳健估计：t 分布 332  
16.2.1 在JAGS 中使用t 分布 335  
16.2.2 在Stan 中使用t 分布 338  
16.3 两组 341  
16.4 其他噪声分布和数据转换 344  
16.5 练习 345  
第 17章 具有单个计量预测变量的计量被预测变量 347  
17.1 简单线性回归 347  
17.2 稳健线性回归 349  
17.2.1 JAGS 的稳健线性回归 352  
17.2.2 Stan 的稳健线性回归 355  
17.2.3 Stan 还是JAGS 356  
17.2.4 解释后验分布 356  
17.3 群组中个体的层次回归 357  
17.3.1 JAGS 中的模型与实现 358  
17.3.2 后验分布：收缩与预测 361  
17.4 二次趋势和加权数据 361  
17.4.1 结果与解释 365  
17.4.2 进一步扩展 365  
17.5 模型扩展的过程与风险 366  
17.5.1 后验预测检验 366  
17.5.2 扩展JAGS 或Stan 模型的步骤 367  
17.5.3 添加参数的风险 367  
17.6 练习 369  
第 18章 具有多个计量预测变量的计量被预测变量 372  
18.1 多重线性回归 372  
18.1.1 相关预测变量的风险 373  
18.1.2 模型与实现 376  
18.1.3 后验分布 378  
18.1.4 冗余的预测变量 379  
18.1.5 有信息的先验、稀疏数据和相关的预测变量 383  
18.2 计量预测变量的乘法交互作用 384  
18.3 回归系数的收缩 388  
18.4 变量选择 392  
18.4.1 先验的模糊程度对包含概率有巨大影响 395  
18.4.2 层次收缩的变量选择 397  
18.4.3 报告什么结果，得出什么结论 400  
18.4.4 注意：计算方法 401  
18.4.5 注意：交互变量 401  
18.5 练习 402  
第 19章 具有单个名义预测变量的计量被预测变量 404  
19.1 描述多组计量数据 405  
19.2 传统方差分析 406  
19.3 层次贝叶斯方法 407  
19.3.1 在JAGS 中实现 408  
19.3.2 示例：交配与死亡 410  
19.3.3 对比 412  
19.3.4 多重比较与收缩 414  
19.3.5 两组的情况 414  
19.4 加入一个计量预测变量 415  
19.4.1 示例：交配、死亡和大小 416  
19.4.2 类似于常规的ANCOVA 417  
19.4.3 与层次线性回归的关系 418  
19.5 非齐性方差与离群值稳健性 418  
19.6 练习 423  
第 20章 具有多个名义预测变量的计量被预测变量 426  
20.1 用多个名义预测变量描述多组计量数据 426  
20.1.1 交互作用 427  
20.1.2 传统方差分析 429  
20.2 层次贝叶斯方法 429  
20.2.1 在JAGS 中实现 430  
20.2.2 示例：仅仅是钱 431  
20.2.3 主效应对比 435  
20.2.4 交互作用对比和简单效应 436  
20.3 转换尺度可以改变交互作用、同质性和正态性 437  
20.4 非齐性方差与离群值稳健性 40  
20.5 被试内设计 443  
20.5.1 为什么使用被试内设计，以及为什么不使用 445  
20.5.2 裂区设计 446  
20.6 模型比较方法 451  
20.7 练习 452  
第 21章 二分被预测变量 455  
21.1 多个计量预测变量 455  
21.1.1 JAGS 中的模型与实现 456  
21.1.2 示例：身高、体重和性别 458  
21.2 解释回归系数 461  
21.2.1 对数胜率 461  
21.2.2 当取1 或取0 的数据很少时 462  
21.2.3 相关的预测变量 463  
21.2.4 计量预测变量的交互作用 464  
21.3 稳健逻辑斯谛回归 465  
21.4 名义预测变量 468  
21.4.1 单组 468  
21.4.2 多组 471  
21.5 练习 474  
第 22章 名义被预测变量 476  
22.1 softmax 回归 476  
22.1.1 仅有两种结果时，softmax函数降阶为逻辑斯谛函数 479  
22.1.2 无关属性的独立性 479  
22.2 条件逻辑斯谛回归 480  
22.3 JAGS 中的实现 483  
22.3.1 softmax 模型 483  
22.3.2 条件逻辑斯谛模型 485  
22.3.3 结果：解释回归系数 486  
22.4 模型的推广和变化 490  
22.5 练习 490  
第 23章 顺序被预测变量 492  
23.1 使用潜在的计量变量对顺序数据建模 492  
23.2 单组的情况 495  
23.2.1 在JAGS 中实现 495  
23.2.2 示例：贝叶斯估计恢复真实参数值 497  
23.3 两组的情况 500  
23.3.1 在JAGS 中实现 500  
23.3.2 示例：不好笑 501  
23.4 计量预测变量的情况 504  
23.4.1 在JAGS 中实现 505  
23.4.2 示例：幸福感与金钱 505  
23.4.3 示例：电影，它们跟以前不一样了 509  
23.4.4 为什么有些阈值在数据之外 511  
23.5 后验预测 513  
23.6 推广和扩展. 514  
23.7 练习 515  
第 24章 计数被预测变量 517  
24.1 泊松指数模型 517  
24.1.1 数据结构 518  
24.1.2 指数连接函数 518  
24.1.3 泊松噪声分布 520  
24.1.4 JAGS 中的完整模型与实现 521  
24.2 示例：头发颜色 523  
24.3 示例：交互作用对比、收缩和综合检验 524  
24.4 列联表的对数线性模型 526  
24.5 练习 526  
第 25章 后备箱里的工具 530  
25.1 报告贝叶斯数据分析的结果 530  
25.1.1 关键点 531  
25.1.2 可选点 532  
25.1.3 实用点 532  
25.2 计算HDI 的函数 532  
25.2.1 计算网格近似的HDI的R代码 533  
25.2.2 单峰分布的HDI 是*短区间 533  
25.2.3 计算MCMC 样本的HDI的R代码 534  
25.2.4 计算函数的HDI的R代码 535  
25.3 重新参数化 535  
25.3.1 例子 536  
25.3.2 两个参数的重新参数化 537  
25.4 JAGS 中的缺失数据 537  
25.5 接下来呢 541