CRAN 任务视图：贝叶斯推断

CRAN 任务视图：贝叶斯推断

对贝叶斯统计感兴趣的应用研究人员越来越青睐 R，因为 R 可以轻松地编写从后验分布中采样的算法，并且综合 R 档案网络 (CRAN) 中贡献了大量提供贝叶斯推断工具的软件包。本任务视图对这些工具进行了分类。在本任务视图中，我们将这些软件包根据范围和重点分为四组。首先，我们回顾了提供各种模型的贝叶斯估计工具的 R 软件包。然后，我们讨论了针对特定贝叶斯模型或贝叶斯统计中专门方法的软件包。接下来，我们描述了用于后估计分析的软件包。最后，我们回顾了将 R 与其他贝叶斯采样引擎（如 JAGS、OpenBUGS、WinBUGS、Stan 和 TensorFlow）链接的软件包。

通用模型拟合软件包

• arm 包包含使用 lm、glm、mer 和 polr 对象进行贝叶斯推断的 R 函数。
• BACCO 是一个用于随机函数贝叶斯分析的 R 包。 BACCO 包含三个子包：模拟器、校准器和逼近器，它们执行计算机程序的贝叶斯模拟和校准。
• bayesforecast 提供各种函数，用于使用“Stan”进行贝叶斯时间序列分析以进行完全贝叶斯推断。支持广泛的分布和模型，允许用户拟合季节性 ARIMA、ARIMAX、动态谐波回归、GARCH、t-student 创新 GARCH 模型、非对称 GARCH、随机游走、单变量时间序列的随机波动模型。
  

• bayesm 提供 R 函数，用于对广泛应用于营销和微观计量经济学的各种模型进行贝叶斯推断。这些模型包括线性回归模型、多项式 logit、多项式 probit、多元 probit、多元正态混合（包括聚类）、使用有限正态混合进行的密度估计以及 Dirichlet 过程先验、分层线性模型、分层多项式 logit、分层负二项式回归模型和线性工具变量模型。

• BayesianTools 是一个用于通用 MCMC 和 SMC 采样器的 R 包，以及用于贝叶斯统计的绘图和诊断函数，特别关注复杂系统模型的校准。实现的采样器包括各种 Metropolis MCMC 变体（包括自适应和/或延迟拒绝 MH）、T-walk、两个差分进化 MCMC、两个 DREAM MCMC 和一个顺序蒙特卡罗 (SMC) 粒子滤波器。
• LaplacesDemon 旨在提供一个完整的贝叶斯环境，包括众多 MCMC 算法、具有多种优化算法的拉普拉斯近似、数十个示例、数十个额外的概率分布、众多 MCMC 诊断、贝叶斯因子、后验预测检查、各种绘图、启发式、参数和变量重要性以及众多其他实用程序函数。
• loo 提供了使用马尔可夫链蒙特卡罗 (MCMC) 对贝叶斯模型进行高效近似留一交叉验证 (LOO) 的函数。该近似使用帕累托平滑重要性抽样 (PSIS)，这是一种用于正则化重要性权重的新方法。作为计算的副产品，loo 还提供了估计预测误差的标准误差以及模型之间预测误差比较的标准误差。该包还提供了使用堆叠和其他模型加权技术来平均贝叶斯预测分布的方法。
• MCMCpack 为社会和行为科学中常用的各种模型提供了特定于模型的马尔可夫链蒙特卡罗 (MCMC) 算法。它包含 R 函数来拟合许多回归模型（线性回归、logit、序数 probit、probit、泊松回归等）、测量模型（项目反应理论和因子模型）、变化点模型（线性回归、二元 probit、序数 probit、泊松、面板）以及生态推断模型。它还包含一个通用的 Metropolis 采样器，可用于拟合任意模型。
• mcmc 包包含一个 R 函数，用于连续随机向量的随机游走 Metropolis 算法。

• nimble 包提供了一个通用的 MCMC 系统，允许为用 BUGS/JAGS 模型语言编写的模型定制 MCMC。用户可以选择采样器并编写新的采样器。模型和采样器通过生成的 C++ 自动编译。该包还支持其他方法，例如粒子滤波或用户在其算法语言中编写的任何方法。

特定于应用程序的包

ANOVA

• bayesanova 提供了基于三组分高斯混合的方差分析的贝叶斯版本，其中 Gibbs 采样器会生成后验抽取。
• AovBay 提供了经典的方差分析、Kruskal Wallis 的非参数等效以及贝叶斯方法。

贝叶斯因子/模型比较/贝叶斯模型平均

• bain 计算近似调整的分数贝叶斯因子，用于相等、不等和关于相等约束的假设。
• BayesFactor 提供了一套函数，用于计算简单设计的各种贝叶斯因子，包括列联表、单样本和双样本设计、单因素设计、一般 ANOVA 设计和线性回归。
• BayesVarSel 在线性模型中计算贝叶斯因子，然后为检验和变量选择问题提供正式的贝叶斯答案。
• BMA 包含用于线性模型、广义线性模型和生存模型的贝叶斯模型平均的函数。补充包 ensembleBMA 使用 BMA 包来使用混合正态分布创建集成模型的概率预测。
• BMS 是一个贝叶斯模型平均库，用于具有广泛选择（可定制）先验的线性模型。内置先验包括系数先验（固定、灵活和超 g 先验）和 5 种模型先验。
• bridgesampling 提供 R 函数，用于通过不同版本的桥接采样（Meng 和 Wong，1996）估计边际似然、贝叶斯因子、后验模型概率和一般情况下的归一化常数。
• RoBMA 为元分析模型实施贝叶斯模型平均，包括校正发表偏差的模型。
• BAS 是一个用于线性模型和广义线性模型中的贝叶斯变量选择和模型平均的包，使用来自 Zellner 的 g 先验或 g 先验混合的系数先验分布。

贝叶斯树模型

• dbarts 拟合贝叶斯加性回归树（Chipman、George 和 McCulloch 2010）。
• bartBMA (已归档) 提供使用贝叶斯模型平均的贝叶斯加性回归树的函数。
  
• bartCause 包含各种方法，使用贝叶斯加性回归树 (BART) 作为基础回归模型（Hill 2012）生成典型的因果推断估计。
• bartcs 使用贝叶斯回归加性树 (BART) 模型来从大量潜在混杂因素中选择真实混杂因素，并估计平均处理效应 (Kim 等人，2023 年)。

因果推断

• bama 基于潜在结果框架，在存在高维中介变量的情况下执行中介分析。贝叶斯中介分析 (BAMA) 由 Song 等人 (2019 年) 开发。
• bartCause 包含各种方法，使用贝叶斯加性回归树 (BART) 作为基础回归模型（Hill 2012）生成典型的因果推断估计。
• BayesCACE 对具有二元结果的单个研究或数据集的荟萃分析执行 CACE（服从者平均因果效应分析），使用完整或不完整的非服从信息。
• baycn 是一个用于贝叶斯混合方法的包，用于推断连续、离散和混合数据的有向无环图 (DAG)。
• BayesTree 由 Chipman、George 和 McCulloch (2006 年) 实现 BART（贝叶斯加性回归树）。
• BDgraph 为多元连续、离散和混合数据的无向图模型中的贝叶斯结构学习提供统计工具。
• blavaan 拟合各种贝叶斯潜在变量模型，包括验证性因素分析、结构方程模型和潜在增长曲线模型。
• causact 提供 R 函数，用于可视化和运行生成有向无环图 (DAG) 的推断。创建生成 DAG 后，该包通过 greta 包和 **TensorFlow** 自动执行贝叶斯推断。
• CausalImpact 实施了 Brodersen 等人 (2015 年) 描述的时序因果影响估计的贝叶斯方法。

计算方法

• abc 包实现了几个 ABC 算法，用于执行参数估计和模型选择。交叉验证工具也可用于衡量 ABC 估计的准确性，并计算不同模型的错误分类概率。
• abcrf 通过随机森林执行近似贝叶斯计算 (ABC) 模型选择和参数推断。
• bamlss 提供了一个在贝叶斯框架下估计概率分布回归模型的基础设施。分布参数可以捕获位置、尺度、形状等，并且每个参数都可以依赖于类似于广义加性模型的复杂加性项。
• bang 提供了一些常用简单模型的贝叶斯分析函数，无需使用马尔可夫链蒙特卡罗 (MCMC) 方法，例如吉布斯采样。
• bayesboot 提供了执行 Rubin (1981) 引入的贝叶斯自举的函数。
• bayesian 使用 'brms'/'Stan' 和 'parsnip'/'tidymodels' 拟合贝叶斯模型。
• BayesLN 允许通过将合适的分布（广义逆高斯分布）作为方差的先验来轻松执行适当的贝叶斯推理过程。
• dclone 提供了用于使用数据克隆和 MCMC 方法实现复杂模型的最大似然估计过程的低级函数。
• EntropyMCMC 是一个 R 包，用于使用熵和 Kullback-Leibler 散度估计进行 MCMC 模拟和收敛评估。
• iterLap 执行迭代拉普拉斯近似来构建后验的全局近似（使用混合分布），然后使用重要性抽样进行基于模拟的推理。
• mcmcensemble 包提供了用于仿射不变蒙特卡罗马尔可夫链的集成采样器，这使得对于缩放不良的估计问题可以更快地收敛。提出了两种采样器：'differential.evolution' 采样器和 'stretch' 采样器。
• mcmcse 允许估计多元有效样本量并计算蒙特卡罗标准误差。
• Runuran 中的 hitro.new() 函数提供了一个基于命中和运行算法与均匀比方法相结合的 MCMC 采样器。

离散数据

• ammiBayes 提供灵活的多环境试验分析，通过 MCMC 方法对序数数据进行加性主效应和乘法模型 (AMMI) 分析。
  
• BANOVA 包含用于分层贝叶斯方差分析模型的函数，这些模型具有正态响应、t 响应、二项式（伯努利）响应、泊松响应、有序多项式响应和多项式响应变量。
• BART 包提供灵活的非参数协变量建模，用于连续、二元、分类和时间到事件的结果。
• bayesbr 使用贝叶斯推理拟合 beta 回归模型。
• BayesComm 对生态群落分析执行贝叶斯多元二元（概率）回归模型。
• bayescopulareg 提供贝叶斯 copula 广义线性模型 (GLM) 的工具。
• bayescount 提供一组函数，允许使用贝叶斯 MCMC 方法分析计数数据（例如粪便虫卵计数数据）。
• BayesGWQS 拟合具有二元结果的一个或多个化学组的贝叶斯分组加权分位数和 (BGWQS) 回归。
• BayesLogit 提供基于 Polson、Scott 和 Windle (2013) 的 PolyaGamma 分布采样的工具。
• mlogitBMA 提供 BMA 包的修改后的函数 bic.glm()，该函数可以应用于多项式 logit (MNL) 数据。
• MNP 包使用 MCMC 方法拟合多项式概率模型。
• vbmp 是一个用于具有高斯过程先验的变分贝叶斯多项式概率回归的包。它使用变分和稀疏逼近来估计类成员后验概率。该软件还通过自动相关性确定来整合特征加权。
• zic 提供用于零膨胀计数模型的 MCMC 分析的函数，包括随机搜索变量选择。

实验/列联表/荟萃分析/AB 测试方法

• abtest 提供贝叶斯 A/B 测试的函数，包括基于 Kass 和 Vaidyanathan (1992) 的先验引出选项。
• acebayes 使用近似坐标交换 (ACE) 算法找到最佳贝叶斯实验设计。
• APFr 使用平均功效函数 (APF) 和贝叶斯错误发现率 (FDR) 稳健估计，对 p 值上的阈值 gamma 的选择实施多重检验方法。
• ashr 基于 Stephens (2016) 提出的方法，实施了一种用于大规模假设检验和错误发现率 (FDR) 估计的经验贝叶斯方法。
• bamdit 提供用于诊断测试数据的贝叶斯荟萃分析的函数，这些函数基于尺度混合双变量随机效应模型。
• BASS 是一个用于自适应样条曲面的贝叶斯拟合和敏感性分析方法的包。
• The bayefdr implements the Bayesian FDR control described by Newton et al. (2004).
• The bayesAB provides a suite of functions that allow the user to analyze A/B test data in a Bayesian framework.
• BayesCombo combines diverse evidence across multiple studies to test a high level scientific theory. The methods can also be used as an alternative to a standard meta-analysis.
• bayesmeta is an R package to perform meta-analyses within the common random-effects model framework.
• bspmma is a package for Bayesian semiparametric models for meta-analysis.
• CPBayes performs a Bayesian meta-analysis method for studying cross-phenotype genetic associations.
• openEBGM calculates Empirical Bayes Geometric Mean (EBGM) and quantile scores from the posterior distribution using the Gamma-Poisson Shrinker (GPS) model to find unusually large cell counts in large, sparse contingency tables.

Graphics

• basicMCMCplots provides methods for examining posterior MCMC samples from a single chain using trace plots and density plots, and from multiple chains by comparing posterior medians and credible intervals from each chain.
• bayeslincom (archived) computes point estimates, standard deviations, and credible intervals for linear combinations of posterior samples.
• ggmcmc is a tool for assessing and diagnosing convergence of Markov Chain Monte Carlo simulations, as well as for graphically display results from full MCMC analysis.

Hierarchical models

• baggr compares meta-analyses of data with hierarchical Bayesian models in Stan, including convenience functions for formatting data, plotting and pooling measures specific to meta-analysis.
• dirichletprocess performs nonparametric Bayesian analysis using Dirichlet processes without the need to program the inference algorithms.
• The lmm 包含使用 MCMC 方法拟合线性混合模型的 R 函数。
• MCMCglmm 是一个用于使用 MCMC 方法拟合广义线性混合模型的包。
• RSGHB 可用于使用分层贝叶斯框架估计模型，并提供灵活性，允许用户直接指定似然函数，而不是假设预定的模型结构。
• vglmer 使用变分贝叶斯估计广义线性混合效应模型；也可以使用有限类型的样条作为预测变量。它提供了使用 SuperLearner 包将这些模型集成到集成中的能力。

高维方法/机器学习方法

• abglasso 实现了一个贝叶斯自适应图形套索数据增强块吉布斯采样器。
• bartMachine 允许对贝叶斯加性回归树进行高级实现，并扩展了数据分析和可视化的功能。
• The bayesGAM 包旨在提供一个用户友好的选项，使用哈密顿蒙特卡罗 (HMC) 拟合单变量和多变量响应广义加性模型 (GAM)，几乎没有技术负担。
• BCBCSF 提供函数来根据选定的高维特征（例如基因表达数据）预测离散响应。

因子分析/项目反应理论模型

• LAWBL 是一个 R 包，包含具有不同贝叶斯学习方法的潜在（变量）分析，包括部分验证性因子分析、其广义版本和部分验证性项目反应模型。
• The pscl 包提供 R 函数来使用 MCMC 方法拟合项目反应理论模型，并计算 Beta 分布和逆伽马分布的最高密度区域。

缺失数据

• sbgcop 估计高斯 copula 的参数，将单变量边缘分布视为 Hoff(2007) 中所述的讨厌参数。它还提供了一种用于缺失多元数据的半参数插补程序。

混合模型

• AdMit 提供函数来执行通过其核函数将 Student-t 分布的自适应混合拟合到目标密度。混合近似可以作为重要性抽样中的重要性密度或 Metropolis-Hastings 算法中的候选密度。
• BayesBinMix 提供了用于估计异质二元数据的聚类数量和相关参数的完全贝叶斯推断。
• BayesBinMix 对异质二元数据的聚类数量和相关参数进行完全贝叶斯推断。
• bmixture 提供了用于有限混合分布的贝叶斯估计的统计工具，主要是 Gamma、正态和 t 分布的混合。
• REBayes 是一个使用 Kiefer-Wolfowitz 最大似然估计进行经验贝叶斯估计的包。

网络模型/矩阵变量分布

• BayesianNetwork 提供了一个“Shiny”网络应用程序，用于创建交互式贝叶斯网络模型，学习贝叶斯网络的结构和参数，以及经典网络分析的实用程序。
• Bergm 使用先进的计算算法对指数随机图模型进行贝叶斯分析。
• bnlearn 是一个用于贝叶斯网络结构学习（通过基于约束、基于评分和混合算法）、参数学习（通过 ML 和贝叶斯估计器）和推理的包。
• ebdbNet 可用于使用基于动态贝叶斯网络的经验贝叶斯估计程序从时间序列数据推断网络的邻接矩阵。
• eigenmodel 使用基于模型的特征值分解和使用 MCMC 方法的回归，估计对称关系数据（例如，方阵的右上角部分）模型的参数。
• gRain 是一个用于图形独立网络（也称为贝叶斯网络或概率专家系统）中概率传播的包。
• NetworkChange 是一个用于纵向网络数据中变化点分析的 R 包。它实现了一个隐马尔可夫多线性张量回归模型。提供了使用边际似然和 WAIC 的模型诊断工具。
• rstiefel 使用吉布斯采样方法从 Stiefel 流形上的线性和平方指数族分布中模拟随机正交矩阵。涵盖的最一般类型的分布是矩阵变量 Bingham-von Mises-Fisher 分布。
• sna 是一个用于社交网络分析的 R 包，包含使用 Gibbs 采样从 Butt 的贝叶斯网络精度模型生成后验样本的函数。
• ssgraph 用于使用尖峰-平板先验对多元连续、离散和混合数据进行无向图形模型的贝叶斯推断。

分位数回归

• bayesQR 支持使用非对称拉普拉斯分布进行贝叶斯分位数回归，包括连续和二元因变量。

收缩/变量选择/高斯过程

• basad 提供使用连续尖峰和平板先验分布的贝叶斯变量选择方法。
• BayesGPfit 通过使用基于扩展方法的修改后的指数平方核的高斯过程，对非参数回归进行贝叶斯推断。
• BayesianGLasso 实现了一个数据增强块 Gibbs 采样器，用于模拟浓度矩阵的后验分布，以指定高斯图形模型 (GGM) 的拓扑结构和参数化。
• BLR 提供 R 函数，使用不同类型的收缩方法拟合参数回归模型。
• BNSP 是一个用于贝叶斯非参数和半参数模型拟合的包。它处理狄利克雷过程混合和尖峰-平板，用于多元（和单变量）响应分析，其中非参数模型用于均值、方差和相关矩阵。
• BoomSpikeSlab 提供函数，通过随机搜索变量选择算法进行尖峰和平板回归。它处理 probit、logit、泊松和学生 T 数据。
• bsamGP 提供函数，使用高斯过程先验的频谱分析进行贝叶斯推断。高斯过程用基于余弦基函数的傅里叶级数表示。目前，该包包括参数线性模型、具有/不具有形状限制的部分线性加性模型、具有/不具有形状限制的广义线性加性模型以及密度估计模型。
• spikeslab 提供函数，使用尖峰和平板回归进行预测和变量选择。
• spikeSlabGAM 在（地理）加性混合模型中实现了贝叶斯变量选择、模型选择和正则化估计，用于高斯、二项式和泊松响应。

空间模型

• CARBayes 实现了一类针对区域单元数据的单变量和多变量空间广义线性混合模型，在贝叶斯设置中使用马尔可夫链蒙特卡罗 (MCMC) 模拟进行推断。另请参见 CARBayesdata.
• CARBayesST，它实现了一类针对区域单元数据的单变量和多变量时空广义线性混合模型，在贝叶斯框架下使用马尔可夫链蒙特卡罗 (MCMC) 模拟进行推断。
• CircSpaceTime 使用高斯包裹分布和高斯投影分布实现贝叶斯模型，用于圆形数据的空间和时空插值。
• geoR 包中的 krige.bayes() 函数执行地统计数据的贝叶斯分析，允许指定模型参数的不同不确定性级别。有关更多信息，请参阅Spatial 视图。
• spBayes 提供 R 函数，使用 MCMC 方法拟合单变量和多变量点参考数据的 Gaussian 空间过程模型。
• spTimer 使用贝叶斯高斯过程模型、贝叶斯自回归 (AR) 模型和基于 AR 模型的贝叶斯高斯预测过程，拟合、空间预测和时间预测大量时空数据。
• tgp 包实现了贝叶斯树状高斯过程模型：一个空间建模和回归包，为从简单线性模型到非平稳树状高斯过程以及介于两者之间的模型提供完全贝叶斯 MCMC 后验推断。

生存模型

• BMA 包含用于线性模型、广义线性模型和生存模型的贝叶斯模型平均的函数。补充包 ensembleBMA 使用 BMA 包来使用混合正态分布创建集成模型的概率预测。

时间序列模型

• BayesARIMAX 是一个用于贝叶斯估计 ARIMAX 模型的包。自回归积分移动平均 (ARIMA) 模型是一种非常流行的单变量时间序列模型。Bierens (1987) 通过在模型中加入外生变量 (X) 并将其修改为 ARIMAX，扩大了其应用范围。
• bayesDccGarch 对多元时间序列波动率执行动态条件相关 GARCH 模型的贝叶斯估计 (Fioruci 等人，2014 年)。
• bayesdfa 使用“Stan”实现贝叶斯动态因子分析。
• bayesGARCH 包提供了一个函数，用于执行具有学生 t 创新性的 GARCH(1,1) 模型的贝叶斯估计。
• bayeslongitudinal 使用贝叶斯方法调整纵向回归模型，以获得复合对称 (SC) 的协方差结构、1 阶自回归 AR (1) 和 (1,1) 阶自回归移动平均 ARMA (1,1)。
• BAYSTAR 提供用于阈值自回归模型的贝叶斯估计的函数。
• bspec 对时间序列的（离散）功率谱进行贝叶斯推断。
• bsvars 使用 MCMC 提供结构向量自回归模型的贝叶斯估计。它考虑了各种模型，包括同方差和异方差模型以及具有非正态结构冲击的模型，所有这些模型都具有三级方程特定层次先验。它有助于估计冲击的因果动态效应、预测和其他结构分析。
• BVAR 是一个用于估计层次贝叶斯向量自回归模型的包。
• bvarsv 是一个用于贝叶斯估计 Giorgio Primiceri 在 2005 年发表在《经济研究评论》上的论文中提出的具有随机波动性的有影响力的时变参数结构向量自回归的包。它有助于预测和脉冲响应分析。
• DIRECT 为重复时间序列或来自多个实验条件的重复测量提供贝叶斯聚类方法。
• dlm 是一个用于动态线性模型的贝叶斯（和似然）分析的包。它包括卡尔曼滤波器和平滑器的计算，以及前向滤波后向采样算法。
• EbayesThresh 实现阈值方法的贝叶斯估计。虽然原始模型是在小波的背景下开发的，但当研究人员需要利用参数集中可能的稀疏性时，此包很有用。
• NetworkChange 是一个用于纵向网络数据中变化点分析的 R 包。它实现了一个隐马尔可夫多线性张量回归模型。提供了使用边际似然和 WAIC 的模型诊断工具。
• Rbeast 通过 RJMCMC 实现贝叶斯模型平均方法，将时间序列分解为突变、趋势和季节性，这对变点检测、时间序列分解、非线性趋势分析和时间序列分割很有用。
• shrinkTVP 拟合一个异方差时间序列回归，其中时变参数使用状态空间方程建模。它具有灵活的三伽马先验，允许在数据不支持的情况下自动减少任何参数的时变性。
• spTimer 使用贝叶斯高斯过程模型、贝叶斯自回归 (AR) 模型和基于 AR 模型的贝叶斯高斯预测过程，拟合、空间预测和时间预测大量时空数据。
• ssMousetrack 使用 rstan 包估计先前编译的鼠标跟踪实验状态空间建模，该包为 Stan C++ 库提供了用于贝叶斯估计的 R 接口。
• stochvol 为随机波动 (SV) 模型的完全贝叶斯估计提供高效算法。

其他模型

• bayesammi 执行加性主效应和乘性交互作用 (AMMI) 模型的贝叶斯估计。
• BayesBP 是一个使用伯恩斯坦多项式拟合速率矩阵进行贝叶斯估计的包。
• BayesCR 从贝叶斯角度提出了一种基于 SMSN 分布的删失线性回归模型的参数拟合。
• bayesdistreg 实现贝叶斯分布回归方法。该包包含三种估计器（非渐近、半渐近和渐近）的函数以及 Huang 和 Tsyawo (2018) 中贝叶斯分布回归的相关例程。
• bayesDP 提供了使用贝叶斯折扣先验方法对 Haddad 等人 (2017) 中的单臂和双臂临床试验进行数据增强的函数。
• BayesFM 提供了一组用于对各种因子模型执行贝叶斯分析的程序。
• BayesGOF 执行四个相互关联的任务：(i) 描述所选参数先验的不确定性；(ii) 提供用于检查先验数据冲突的探索性诊断；(iii) 计算最终的统计先验密度估计；(iv) 执行宏观和微观推断。
• Bayesiangammareg 从 Cepeda 和 Urdinola (2012) 描述的贝叶斯角度调整伽马回归模型。
• BayesLCA 使用几种不同的方法执行贝叶斯潜在类别分析。
• BayesMallows 使用马洛斯排序模型执行贝叶斯偏好学习。
• BayesMassBal 是一个用于分离过程的贝叶斯数据协调的包。
• bayestestR 提供用于描述后验分布和贝叶斯模型的实用程序。它包括点估计（如最大后验概率 (MAP)）、离散度量（最高密度区间）和用于零假设检验的指标（如 ROPE 百分比、pd 和贝叶斯因子）。
• coalescentMCMC 为 R 中的合并分析提供了一个灵活的框架。
• deBInfer 提供了 R 函数，用于使用 MCMC 方法对微分方程中的贝叶斯参数进行推断。
• densEstBayes 使用贝叶斯推理引擎范式提供单变量连续随机样本的贝叶斯密度估计。
• errum 执行探索性简化重新参数化统一模型 (ErRUM) 的贝叶斯估计。 rrum 实现吉布斯采样算法，用于简化重新参数化统一模型 (rrum) 的贝叶斯估计。
• FME 提供函数，帮助将模型拟合到数据，执行蒙特卡罗、敏感性和可识别性分析。它旨在与模型一起使用，这些模型被写成一组微分方程，这些方程要么由 deSolve 中的积分例程求解，要么由 rootSolve 中的稳态求解器求解。
• Hmisc 中的 gbayes() 函数在先验和似然都为高斯分布，并且感兴趣的统计量来自双样本问题时，推导出后验（以及可选的）预测分布。
• hbsae 包提供函数，用于根据基本区域或单元级模型计算小区域估计。该模型使用受限最大似然拟合，或以分层贝叶斯方式拟合。
• mombf 基于非局部先验执行模型选择，包括 MOM、eMOM 和 iMOM 先验。
• prevalence 提供函数，用于在贝叶斯框架中从表观患病率估计真实患病率。MCMC 采样通过 JAGS/rjags 执行。
• PReMiuM 是一个用于轮廓回归的包，它是一种狄利克雷过程贝叶斯聚类，其中响应与协变量轮廓非参数地关联。
• revdbayes 提供函数，用于使用从极值后验分布直接随机抽样对极值模型进行贝叶斯分析。
• mgcv 包中的 vcov.gam() 函数可以从拟合的 gam 对象中提取参数的贝叶斯后验协方差矩阵。

特定学科的贝叶斯模型

• AnaCoDa 是一个模型集合，用于使用贝叶斯框架分析基因组规模的密码子数据。
• ArchaeoChron (已归档) 提供了一系列函数，用于对考古年代进行贝叶斯建模。
• BACCT 在临床试验环境下实现了贝叶斯增强控制 (BAC，也称为贝叶斯历史数据借用) 方法，通过调用“Just Another Gibbs Sampler”('JAGS') 软件。
  
• BaSkePro 提供工具，用于根据以 MAU（最小解剖单位）百分比为特征的考古动物骨骼剖面，对尸体加工/运输策略和骨骼磨损进行贝叶斯推断。
• bayesbio 提供生物信息学和贝叶斯统计的各种函数。
• bayesCT 用于模拟和分析贝叶斯自适应临床试验，适用于二项式、高斯和事件时间数据类型，并整合历史数据，允许因无效或早期成功而提前停止。
• BayesCTDesign 提供了一组函数，帮助临床试验研究人员计算两臂贝叶斯随机临床试验的功效和样本量，这些试验是否整合了历史对照数据。
• bayes4psy 包含多个用于心理测试数据分析的贝叶斯模型。
• bayesianETAS 是一个用于地震发生事件的流行病类型余震序列 (ETAS) 模型的贝叶斯估计的软件包。
• BayesianLaterality 提供函数来实现一个贝叶斯模型，用于根据观察到的偏侧性指数预测半球优势 (Sorensen 和 Westerhausen 2020)。
• bayesImageS 是一个 R 包，使用隐藏的 Potts 模型进行贝叶斯图像分析。
• bayesLife 使用贝叶斯分层模型对世界所有国家的人均预期寿命进行概率预测。
• BCE 包含函数，使用贝叶斯方法从生物标志物数据估计分类组成。
• bqtl 可用于拟合数量性状基因座 (QTL) 模型。该软件包允许通过拉普拉斯近似对多基因模型进行贝叶斯估计，并提供用于基因座区间作图的工具。该软件包还包含用于 QTL 分析的图形工具。
• coalitions 为基于民意调查的多党选举制度中的事件概率估计实现了一个贝叶斯框架 (Bender 和 Bauer 2018)。
• dina 使用 Gibbs 采样器估计确定性输入、噪声“与”门 (DINA) 认知诊断模型参数。 edina 对探索性确定性输入、噪声与门 (EDINA) 认知诊断模型进行贝叶斯估计。

估计后工具

• MCMCvis 对 MCMC 分析执行关键功能（可视化、操作和汇总）。函数支持在调用中对模型参数进行简单直接的子集化，并生成可呈现且“可供出版”的输出。MCMC 输出可能来自使用 JAGS、Stan 或其他 MCMC 采样器拟合的贝叶斯模型输出。
• boa 包提供用于诊断、汇总和可视化 MCMC 序列的功能。它从 BUGS 格式或普通矩阵中导入抽取结果。 boa 提供 Gelman 和 Rubin、Geweke、Heidelberger 和 Welch 以及 Raftery 和 Lewis 诊断，以及 Brooks 和 Gelman 多元收缩因子。
• coda （收敛诊断和输出分析）包是一套可用于汇总、绘制和诊断 MCMC 样本收敛的函数。 coda 还定义了一个 mcmc 对象和相关方法，这些方法被其他包使用。它可以轻松地从 WinBUGS、OpenBUGS 和 JAGS 或普通矩阵中导入 MCMC 输出。 coda 包含 Gelman 和 Rubin、Geweke、Heidelberger 和 Welch 以及 Raftery 和 Lewis 诊断。
• plotMCMC 扩展了 coda，通过添加便利函数来更轻松地创建多面板图。图形参数具有合理的默认值，并且可以通过顶级参数轻松修改。
• ramps 使用重新参数化和边缘化后验采样算法实现高斯过程的贝叶斯地统计分析。

用于学习贝叶斯统计的包

• BaM 为 Jeff Gill 的“贝叶斯方法：社会和行为科学方法”（Chapman 和 Hall/CRC，2002/2007/2014）提供函数和数据集。
• BayesDA 为 Andrew Gelman、John B. Carlin、Hal S. Stern 和 Donald B. Rubin 的“贝叶斯数据分析，第二版”（CRC 出版社，2003）提供 R 函数和数据集。
• Bolstad 包包含一组 R 函数和数据集，用于 Bolstad, W.M. 的书“贝叶斯统计导论”（2007 年）。
• LearnBayes 包包含一组有助于学习贝叶斯统计推断基本原理的函数。它包含用于汇总基本的一参数和二参数后验分布和预测分布以及用于汇总用户定义的后验分布的 MCMC 算法的函数。它还包含用于回归模型、层次模型、贝叶斯检验和吉布斯采样说明的函数。

连接 R 与其他采样引擎的包

• bayesmix 是一个 R 包，用于使用 JAGS 拟合贝叶斯混合模型。
• BayesX 提供了探索和可视化使用软件包 BayesX 获得的估计结果的功能。
• Boom 提供了一个用于贝叶斯建模的 C++ 库，重点是马尔可夫链蒙特卡罗。
• BRugs 提供了与 OpenBUGS 的 R 接口。它在 Windows 和 Linux 下运行。BRugs 曾经在 CRAN 上可用，现在位于 CRANextras 存储库中。
• brms 使用 Stan 在 R 中实现贝叶斯多级模型。支持各种分布和链接函数，允许用户在多级环境中拟合线性、稳健线性、二项式、泊松、生存、响应时间、序数、分位数、零膨胀、障碍，甚至非线性模型。 shinybrms 是一个图形用户界面 (GUI)，用于使用包 brms 拟合贝叶斯回归模型。
• greta 允许用户在 R 中编写统计模型，并使用 Google ‘TensorFlow’ 在 CPU 和 GPU 上通过 MCMC 和优化来拟合它们。 greta 允许您像在 BUGS、JAGS 和 Stan 中一样编写自己的模型，除了您直接在 R 中编写模型外，它可以很好地扩展到大型数据集，并且易于扩展和构建。
• 有两个包可用于将 R 与 WinBUGS 连接。 R2WinBUGS 提供了一组函数，用于在 Windows 系统和 Linux 系统上调用 WinBUGS。
• 有三个包提供了与 Just Another Gibbs Sampler (JAGS) 的 R 接口： rjags、 R2jags 和 runjags。
• 所有这些 BUGS 引擎都使用图形模型进行模型规范。因此，GraphicalModels 任务视图可能会有所帮助。
• rstan 提供 R 函数来解析、编译、测试、估计和分析 Stan 模型，方法是访问 `StanHeaders` 包提供的仅包含头文件的 Stan 库。 Stan 项目开发了一种概率编程语言，该语言通过 MCMC 实现完整的贝叶斯统计推断，并通过优化实现（可选的惩罚）最大似然估计。
• rstanarm 使用 rstan 包估计先前编译的回归模型，该包提供了与 Stan C++ 库的 R 接口，用于贝叶斯估计。
• pcFactorStan 提供与配对比较因子模型相关的便利函数和预编程 Stan 模型。其目的是使使用 Stan 拟合配对比较数据变得容易。

贝叶斯推断任务视图由朴钟熙（韩国首尔国立大学）、安德鲁·D·马丁（美国密苏里州圣路易斯华盛顿大学）和凯文·M·奎因（美国加州伯克利加州大学）编写。请通过电子邮件联系维护者提出建议，或通过提交上述 GitHub 存储库中的问题或拉取请求。

CRAN 包

相关链接

• 贝叶斯统计与营销 (bayesm)
• BayesX
• BOA
• CRANextras 中的 BRugs
• 另一个吉布斯采样器 (JAGS)
• MCMCpack
• NIMBLE
• OpenBUGS
• 斯坦
• TensorFlow
• BUGS 项目 (WinBUGS)

其他资源

• CRAN 任务视图：图形模型
• CRAN 任务视图：空间
• Bioconductor 包：vbmp