The Bayesian method is the natural approach to inference, yet it is hidden from readers behind chapters of slow, mathematical analysis. The typical text on Bayesian inference involves two to three chapters on probability theory, then enters what Bayesian inference is. Unfortunately, due to mathematical intractability of most Bayesian models, the reader is only shown simple, artificial examples. This can leave the user with a so-what feeling about Bayesian inference. In fact, this was the author's own prior opinion.

纽约联储DSGE模型（版本1002） DSGE.jl包实现了纽约联储动态随机一般均衡（DSGE）模型，并提供了通用代码来估算许多用户指定的DSGE模型。 该软件包在Liberty Street Economics博客文章。 （我们之前将模型称为“ FRBNY DSGE模型”。） 此Julia语言实现反映了Liberty Street Economics博客文章包含的MATLAB代码。 单击上面的docs|dev按钮可以访问代码的docs|dev 。 有关最新型号版本的文档，请阅读此 。 纽约联储DSGE团队目前正在扩展代码，以解决和估计异构代理模型。 过滤和平滑算法可在已注册的软件包。 可以在注册软件包找到用于估计DSGE模型的顺序蒙特卡洛（SMC）采样的。 的基础AbstractModel类型，从该AbstractDSGEModel类型导出，在已注册的包被定义 。 纽约联储可酌

variantal_bayesian_clusterings：用于脑部MR图像分割的变分贝叶斯算法

lwMCMC轻量级马尔可夫链蒙特卡洛 由NumPy和Metropolis Hastings支持的轻型MCMC进行参数空间采样。 包装布局 许可证，适用于此软件包 README.md-您现在正在阅读的README文件 -先决条件安装该软件包，通过使用PIP 安装程序脚本 /-包含有关软件包安装和使用的文档 /-贝叶斯建模的用例 /-库代码本身 /-单元测试 案例1：利用贝叶斯推断进行实验地球物理建模 后验分布 等高线 MCMC先验坡度 通过幂律蠕变为自然中的冰致密实的幂律流模型恢复了参数约束（请参阅冰蠕变文献）。 网格条目显示了我们参数的一维后验分布，以及具有一个和两个sigma建模误差轮廓的成对投影。 在先验斜率参数为1.8±0.225的情况下，贝叶斯推断的斜率为1.70±0.17。 示例2：使用贝叶斯推断进行粒子衰减建模 后验分布 等高线 MCMC适合搭配 事先的 为粒子

之字形回旋镖 概述 马尔可夫链蒙特卡罗（MCMC）方法用于从概率分布中进行采样，例如贝叶斯模型中的后验分布。 在ZigZagBoomerang.jl中实现的分段确定性蒙特卡洛（PDMC）方法具有相同的目标，不同的是，此处的分布是通过粒子的连续运动而不是一次移动一个点来进行探索的。 在此，粒子在随机时间改变方向，并在确定性轨迹上移动（例如，沿着恒定速度的直线，请参见图片） 校准随机方向的变化，以使粒子的轨迹采样正确的分布； 从轨迹可以估算出感兴趣的量，例如后均值和标准差。 是否改变方向的决定仅需要评估偏导数，该偏导数依赖于很少的坐标-坐标在马尔可夫毯子中的邻域。 这样就可以使用Julia的多线程并行性（或其他形式的并行计算）来利用多个处理器内核。 约里斯·比尔肯（Joris Bierken）的“以及我们关于话语是ZigZagBoomerang.jl所涵盖方法的理论和应用的良好起点。

比较统计 使用R进行统计编程

bayesian_bootstrap bayesian_bootstrap是Python中用于贝叶斯引导的软件包。 有关贝叶斯引导程序的概述，我强烈建议阅读。 这个Python包类似于他的。 本自述文件包含以下一些示例。 有关软件包API的，请参阅 。 该软件包位于pypi上-您可以使用pip install bayesian_bootstrap进行pip install bayesian_bootstrap 。 bootstrap模块概述 bayesian_bootstrap软件包中的主要模块是bootstrap模块。 bootstrap模块包含使用引入的Bayesian Bootstrap进行近似贝叶斯推理的工具。 它包含以下内容： mean和var函数，用于模拟均值和方差的后验分布 bayesian_bootstrap函数，用于模拟任意统计量的后验分布 BayesianBootstrapBagging类，一个包装器，允许用户使用Bayesian Bootstrap重采样来生成回归器/分类器的集合。 需要提供一个具有scikit-learn之类的估计器的基类。 另请参见b

brms 概述 brms程序包提供了一个接口，以使用Stan来拟合贝叶斯广义（非）线性多元多级模型，这是一个用于执行完整贝叶斯推理的C ++程序包（请参见 ）。 公式语法与软件包lme4的语法非常相似，以提供用于执行回归分析的熟悉且简单的界面。 支持广泛的响应分布，使用户可以在多级上下文中拟合线性，鲁棒线性，计数数据，生存时间，响应时间，序数，零膨胀甚至自定义混合模型等。 进一步的建模选项包括非线性和平滑项，自相关结构，检查数据，缺失值插补等。 另外，可以预测响应分布的所有参数，以执行分布回归。 多变量模型（即具有多个响应变量的模型）也可以拟合。 先前的规范是灵活的，并且明确鼓励用户使用实际上反映其信念的先前发行版。 可以轻松评估模型拟合度，并将其与后验预测检查，交叉验证和贝叶斯因素进行比较。 资源 （统计软件期刊） （R Journal） （具有文档和小插曲的brms网站） （有关

该综述文章为贝叶斯因子分析模型的综述，较好的整理了因子分析模型的概念以及基本理论分析，是对因子分析方法入门学习的较好参看文章

VBMC 是一种近似贝叶斯推理方法，旨在拟合和评估具有潜在噪声似然评估预算有限的计算模型（例如，对于计算成本高的模型）[1,2]。 具体来说，VBMC 同时计算： - 模型参数的近似贝叶斯后验分布； - 对数模型证据（也称为对数边际似然或对数贝叶斯因子）的近似值——从技术上讲，是近似下界，这是一种用于贝叶斯模型选择的指标。 对人工测试问题和来自计算和认知神经科学的大量真实模型拟合问题的广泛基准表明，VBMC 通常——通常是非常——优于样本高效贝叶斯推理的替代方法。 VBMC 运行时几乎无需调整，而且很容易针对您的问题进行设置。 *** 如需更多信息、教程和文档，请访问该项目的 GitHub 页面： https : //github.com/lacerbi/vbmc *** 如果您对参数的点估计感兴趣，您可能需要查看贝叶斯自适应直接搜索 (BADS)，这是一种可与 VBMC 协同