dp包

DPpackage:R中的贝叶斯半参数和非参数建模。数据分析有时需要放宽参数假设，以获得建模灵活性和针对概率模型不规范的鲁棒性。在贝叶斯上下文中，这是通过在函数空间上放置一个先验分布来实现的，例如所有概率分布的空间或所有回归函数的空间。不幸的是，分布在函数空间上的后验分布非常复杂，因此采样方法起着关键作用。本文介绍了一个简单而全面的程序集，用于在R，DPpackage中实现一些贝叶斯非参数和半参数模型。目前，DPpackage包括边际和条件密度估计模型、接收器工作特性曲线分析、区间截尾数据、二元回归数据、项目反应数据、使用广义线性混合模型的纵向和集群数据以及使用广义加性模型的回归数据。该软件包还包含计算伪Bayes因子的函数，用于模型比较和获取Dirichlet过程先验的精度参数，以及一个通用的Metropolis采样算法。为了最大限度地提高计算效率，每个模型的实际采样都是使用编译的C、C++或Fortran代码执行的。

这个软件也是同行评审按日记帐JSS公司.

此软件的关键字

这里的任何内容都将在支持canvas元素的浏览器上被替换

zbMATH中的参考文献（参考文献64条,1标准件)

显示第1到第20个结果，共64个。
按年份排序(引用)
  1. 阿迪卡里，萨姆拉查纳；罗斯，雪莉；Normand，Sharon-Lise：非参数贝叶斯工具变量分析：评估冠状动脉接入点策略的异质效应（2020）
  2. 安东尼亚诺·维拉洛博斯，伊莎多拉；博尔戈诺沃，伊曼纽尔；吕雪飞：概率敏感性测度的非参数估计（2020）
  3. 比安奇尼，伊拉里亚；古列尔米，亚历山德拉；Quintana，Fernando A.：通过光谱密度法确定点过程混合物（2020年）
  4. 甘贾利，莫吉塔巴；巴格拉基，塔班；Fagbamagbe，Adeniyi Francis:不同随机效应分布对增长曲线模型影响的贝叶斯敏感性分析（2020）
  5. 沈洁莉；刘丽珍。；谢敏戈：（一）融合：个性化融合学习（2020）
  6. 阿贝尔，朱利安；德布拉西，皮尔波洛；公共关系ünster，Igor:Pitman-Yor过程的随机近似（2019）
  7. 克劳迪奥，匡瓦诺；戛纳，马西莫；莫拉，弗朗西斯科；Sironi，Emiliano:多水平建模中的随机效应聚类：选择合适的分区（2019）
  8. 爱德华兹，马修·C。；迈耶，雷纳特；Christensen，Nelson:使用B样条先验的贝叶斯非参数谱密度估计（2019）
  9. 克莱纳丁；Smith，Michael Stanley:来自贝叶斯正则化回归平滑器的隐式连接词（2019）
  10. 李月林；斯科菲尔德，伊丽莎白；Gönen，Mithat:Dirichlet过程混合建模教程（2019）
  11. 宋吉珠；崔泰良；贝姆霍公园；Peter Lenk:bsamGP:使用高斯过程先验的贝叶斯光谱分析模型的R包（2019）不是zbMATH
  12. 石，玉树；马丁斯，迈克尔；班纳吉、安吉什努；Laud，Purushottam：Dirichlet过程混合模型的低信息综合（LIO）先验知识（2019）
  13. 索里亚诺，雅格布；Ma，Li:用（\psi）对相关样本进行混合建模-棒状破碎和核扰动（2019）
  14. 范德法特，美国农业部：评论：“贝耶斯，甲骨文贝叶斯和经验贝叶斯”（2019）
  15. 达斯，普里亚姆；Ghosal，Subhashis:完整数据和网格数据的贝叶斯非参数同时分位数回归（2018）
  16. 哈恩，P。理查德；马丁，瑞安；Walker，Stephen G.：关于递归贝叶斯预测分布（2018）
  17. 乔，杨金；乔，宋吉；李勇硕；Lee，Jaeyong:基于自回归物种抽样模型的贝叶斯时间密度估计（2018）
  18. 米ü埃勒，彼得；昆塔纳，费尔南多A。；佩奇，加里特：应用中的非参数贝叶斯推断（2018）
  19. 昆兰，乔斯é J、 。；佩奇，加里特L。；Quintana，Fernando A.：使用排斥分布的密度回归（2018）
  20. 理查森，罗伯特；Hartman，Brian:医疗索赔建模和预测的贝叶斯非参数回归模型（2018）