![]()
内容推荐 本书内容分为3部分,共9章。靠前部分为蒙特卡洛方法及其应用,其中靠前章介绍了随机变量的模拟理论,这部分是统计计算的基础,也是蒙特卡洛方法和贝叶斯理论的基础;第2章介绍了蒙特卡洛积分,它对贝叶斯模型的求解具有重要意义;第3章介绍了蒙特卡洛EM方法,该方法有利于一些复杂模型的求解。 第2部分为马尔科夫蒙特卡洛方法(MCMC),其中第4章介绍了贝叶斯理论的基础知识;第5章介绍了贝叶斯马尔科夫链蒙特卡洛方法(MCMC),主要包括MH方法和Gibbs方法;第6章介绍了MCMC方法的发展,如自适应MH方法和可逆跳跃MCMC方法等。 第3部分为贝叶斯模型,其中第7章介绍了贝叶斯混合分布模型,该模型对异常数据建模具有一定的优势,可以体现贝叶斯方法的灵活性;第8章介绍了贝叶斯线性回归模型,通过该模型说明了贝叶斯建模的基本方法以及OpenBUGS的应用;第9章介绍了贝叶斯分层模型,该模型又称为随机效应模型,主要用来分析比较复杂的分层数据,应用贝叶斯方法处理该模型具有一定优势。 作者简介 王明高,男,2015年毕业于中国人民大学统计学院,取得经济学博士学位,中国准精算师,现为山东工商学院统计学院讲师,研究方向:风险管理与精算;应用统计。在《统计研究》、《经济管理》、《统计与信息论坛》等期刊发表十余篇论文。 目录 第1章随机变量的生成 1.1均匀分布模拟 1.2逆变换 1.3一般变换方法 1.4混合分布 1.5拒绝接受方法 第2章蒙特卡洛积分 2.1蒙特卡洛方法简介 2.2重要抽样 2.3分层抽样 2.4重要抽样的重抽样 第3章蒙特卡洛EM方法 3.1EM方法 3.2EM方法的方差估计 3.3EM加速方法 3.4蒙特卡洛EM方法 第4章贝叶斯推断 4.1贝叶斯理论 4.2贝叶斯推断 第5章贝叶斯MCMC方法 5.1模拟及其在贝叶斯推断中的应用 5.2马尔科夫链蒙特卡洛方法 5.3常用的MCMC算法 第6章贝叶斯混合模型 6.1离散混合密度函数 6.2混合模型的识别和推断 6.3基于狄利克雷过程的非参数混合模型 6.4波利亚树先验分布 6.5组合分布模型 第7章贝叶斯线性回归模型 7.1一般模型原则 7.2线性回归模型的设定 7.3在线性回归模型中的多元先验分布 7.4方差分析模型 7.5虚拟变量在方差分析模型中的应用 7.6协方差分析模型 第8章贝叶斯分层模型 8.1分层模型简介 8.2偏态分布下的分层模型 8.3非线性分层模型 8.4零膨胀分层模型 8.5分层模型在赔款准备金评估中的应用 8.6研究结论与展望 附录1模型检验 附录2OpenBUGS简介 参考文献 后记 |