XiaoMi-AI文件搜索系统
World File Search Systemosf
疫苗 - 托宾经济政策中心
大规模接种疫苗仍然是控制 COVID-19 传播和结束疫情的最佳选择。尽管病毒对人们的生活造成了相当大的破坏，但许多人仍然对接种疫苗犹豫不决。然而，如果没有高接种率，疫情可能会持续很长时间。在这里，我们使用两个调查实验来研究说服性信息如何影响 COVID-19 疫苗接种意愿。在第一个实验中，我们测试了大量治疗信息。一组信息借鉴了大规模疫苗接种是一个集体行动问题的想法，并强调了疫苗接种的亲社会效益或如果选择不接种疫苗可能会产生的声誉成本。另一组信息建立在当代对疫情的担忧之上，例如限制个人自由或经济安全的问题。我们发现，唤起亲社会疫苗接种和社会形象担忧的说服性信息可以有效地增加接种意愿，以及说服他人的意愿和未接种疫苗者的判断。我们对具有全国代表性的美国人样本复制了这一结果，并观察到亲社会信息在各个亚群中都很活跃，包括那些对疫苗普遍最犹豫的人。实验表明，说服性信息如何诱导个人更有可能接种疫苗，并产生溢出效应以说服其他人也接种疫苗。本研究中的第一个实验已在 clinicaltrials.gov 上注册，ID 号为 NCT04460703。本研究已在开放科学框架 (OSF) 注册：https://osf.io/q u8nb/?view_only=82f06ecad77f4e54b02e8581a65047d7。2021 Elsevier Ltd. 保留所有权利。
业务计划-Hindi.cdr
mk; jsdv lsphyax fctussl，y jhvsy pksuy gs carnal mks; k fo'ks“ kk; g gs fd Lingery和mihkksj ds chp。 ykxkrks esa digrh gs ntkzçkirGSAhkkjrh; jgs gsa] rfkk hkkjr dh vkffkzd o`f） DJSA] fodcl; kstun tsls esd bofm; k] efgyl'kfädj.k] bofm; k lvkvzvi] FY，对LKKFCR的热情。
范围审查协议
摘要简介人口快速老龄化和相关健康问题（例如虚弱）已成为日益严重的公共卫生问题。虽然及早识别和管理虚弱可能会限制不良的健康后果，但虚弱的复杂表现对临床医生提出了挑战。人工智能（AI）已成为支持早期识别和管理虚弱的潜在解决方案。为了全面概述有关开发和使用包括机器学习和深度学习在内的人工智能技术来识别和管理虚弱的当前证据，本协议概述了范围界定审查，旨在确定和呈现该领域的可用信息。具体而言，本协议描述了一项审查，该审查将重点关注用于评估虚弱的临床工具和框架、已评估的结果以及知识用户参与开发、实施和评估用于临床环境中虚弱护理的人工智能方法和工具。方法与分析 本范围审查协议详细说明了对八个主要学术数据库的系统搜索，包括 Medline、Embase、PsycInfo、护理和相关健康文献累积索引 (CINAHL)、Ageline、Web of Science、Scopus 和电气电子工程师协会 (IEEE) Xplore，使用由 Arksey 和 O'Malley 开发并由 Levac 等人和 Joanna Briggs 研究所增强的框架。搜索策略是与图书管理员协商设计的。两位独立审阅者将筛选标题和摘要，然后筛选全文，以确定是否符合条件，然后使用试验数据图表形式绘制数据图表。结果将通过叙述摘要、表格和图表进行整理和呈现。 伦理与传播 由于本研究基于公开信息，因此无需获得伦理批准。研究结果将通过同行评审的出版物、演示文稿和信息图表传达给医疗保健提供者、看护者、患者以及研究和健康计划资助者。注册详情 OSF 注册表（https://doi.org/10. 17605/OSF.IO/T54G8）。
数字技术期刊 - Bitsavers.org
《数字技术期刊》是一份由 Digital Equipment Corporation 每季度出版的同行评审期刊，地址为 30 Porter Road LJ02/D10, Littleton, Massachusetts 01460。订阅该期刊的费用为 4 期 40.00 美元（非美元 60 美元）和 8 期 75.00 美元（非美元 115 美元），必须以美元预付。大学和学院的教授以及电气工程和计算机科学领域的博士生可根据要求获得免费订阅。订单、咨询和地址变更应发送至出版地址的《数字技术期刊》。咨询也可以以电子方式发送到 dtj@digital.com。致电 DECdirect 1-800-DIGITAL (1-800-344-4825) 即可购买单本和旧刊，价格为每本 16.00 美元。期刊的近期旧刊也可在互联网上获取，网址为 http://www.digital.com/info/D~/home。hunl.发送电子邮件至 info@digital.com 即可获取完整的 Digital Internet 列表。Digital 员工可通过 Readers Choice 订购订阅，只需在系统提示符下输入 VTX PROFILE 即可。欢迎对任何论文的内容提出意见，并可发送至出版方或网络地址的主编。版权所有 O 1995 Digital Equipment Corporation。允许免费复印，但前提是此类复印件仅供教育机构教职员工使用，不得出于商业目的而分发。允许摘录并注明作者为数字设备公司。保留所有权利。本期刊中的信息如有更改，恕不另行通知，不应被视为数字设备公司或本文所代表的公司所作的承诺。数字设备公司对本期刊中可能出现的任何错误不承担任何责任。ISSN 0898-90113 文档编号 EY-T135E-TJ 本书由 Quantic Communications, Inc. 制作。以下是 Digital Equipment Corporation 的商标：ACMS、ACMS Desktop、ACMSxp、Alphaswer、Alphastation、DEC、DEC OSF/l、DECchip、DECnet、DECdtm、DECnet、Digital、DIGITAL 徽标、ObjectBroker、OpenVMS、PATHWORKS、ULTRIX、VAX 和 VMS。ADABAS 是 Software AG of North America, Inc. 的注册商标。AIX、IBM、OS/2 和 RISC System/6000 是注册商标，AS/400、CICS 和 DB2 是 International Business Machines Corporation 的商标。BT 是 British Telecommunications plc 的注册商标。AppleTalk 和 Macintosh 是 Apple Computer, Inc. 的注册商标。AT&T 是美国电话电报公司的注册商标。Challenge 是 Silicon Graphics, Inc. 的商标。
医疗保健检查和证书中人工智能解决方案的准确性和能力：系统评价和荟萃分析
背景：大型语言模型（LLMS）占据了公共利益，因为它们的明显能力可以准确地复制叙事文本中的学习知识。但是，缺乏对医疗保健检查中LLM的准确性和能力标准的明确性。目的：与已知的人类绩效标准相比，我们对LLM准确性进行了系统的综述，该综述在医疗保健检查条件下进行了测试。方法：我们量化了LLM在回答医疗保健检查问题方面的准确性，并评估了研究报告的一致性和质量。搜索包括所有论文，直到2023年9月10日，所有LLM在英语期刊上发布了清晰的LLM准确性标准。The exclusion criteria were as follows: the assessment was not a health care exam, there was no LLM, there was no evaluation of comparable success accuracy, and the literature was not original research.The literature search included the following Medical Subject Headings (MeSH) terms used in all possible combinations: “artificial intelligence,” “ChatGPT,” “GPT,” “LLM,” “large language model,” “machine learning,” “neural network,” “生成预训练的变压器”，“生成变压器”，“生成语言模型”，“生成模型”，“体检”，“医疗保健检查”和“临床检查”。提取了敏感性，准确性和精度数据，包括相关的CI。结果：搜索确定了1673个相关引用。删除了重复的结果后，筛选了1268（75.8％）的论文，以获取标题和摘要，其中包括32（2.5％）的研究以进行全文审查。我们的荟萃分析表明，LLM能够以0.61（CI 0.58-0.64）和美国医疗许可检查（USMLE）0.51（CI 0.46-0.56）的整体医学检查准确性（CI 0.58-0.64）（CI 0.46-0.56）执行，而聊天生成的预期验证的变压器（CHATGPT）可以使用整体医学检查，而整体医学检查的准确性为0.6.6-6.6-6-6-6-6-6-6-6-6-64。结论：LLMS通过向关键决策者提供准确有效的特定于上下文特定信息，提供有望解决医疗保健需求和人员配备挑战的承诺。针对LLM的政策和部署决策，我们提出了一个名为Rubricc（监管，可用性，偏见，可靠性[证据和安全]，互操作性，成本以及代码和医生 - 患者以及公众参与和公众参与和参与[PPIE]）的新框架。这是一个宝贵的机会，可以将新的LLM功能临床调试用于卫生服务，同时尊重患者的安全考虑。试用注册：OSF注册osf.io/xqzkw; https://osf.io/xqzkw
ICAR 2023-2024 年度报告
香港； —f”k ds 北Hkw–'； esa Hkkjrh； —f”k vukala/kku ifj”kn 1⁄4Hkk—vukai1⁄2] uokpkj vkSj çxfr dk çrhd cuk gqvk gSA o”kZ 2023 esa ifj”kn }kjk viuk 95oka fCtlek ,oa vikxkS| ;ksa ij çdk'k Mkyk x;kA bu xfrfof/k;ksa ds ifj.kkeLo:i Hkkjrh; —f”k {ks= esa uokpkj] çxfr ,oa la/kkj;kh;rk gkfly dh xbZ gSA Hkk—vukai }kjk fd, x, ç;kl —f”k dks vfèkd mRiknd cukus vokus fykd d,;f”ki] mÙkjnk;h d,;f”ki dgha vf/kd fVdkÅ vkSj vuka:i cukus dk Hkjkslk fnykrs gSaA Hkkjr dh igy ij la;qDr jk”Va la?k }kjk o”kZ 2023 dks ^varjkZ”Vah; feysV~lo”kZ* ¼varjkZ”Vah; JhvUu o”kZ1⁄2 ?kksf”kr fd;kx;k FkkA Hkk—vukai }kjk ifjorZu'khy tok;q ifjfLFkfr;ksa ds varxZr [kk| ,oa iks”kf.kd lqj{kk dh vuwBh {kerk ij çdk'k Mkyus gsrq vusd dk;ZØeksa dk vk;kstu djrs gq，feysV~lo”kZ euk;kxLFkA feysV~l vFkkok JhsvZHuk vuwBh gh ;s vkgkj] pkjk rFkk tSo bZa/ku ds çeq[k lzksr Hkh gSaA mUur mRiknu rFkk çlaLdj.k çkS|ksfxfd;ksa dks viukdj fdlkuksa dh vk; dks c<+k;k tk ldrk gSA Hkk—vukai us fnukad 26 tuojh] 2023 dks x.kra= fnol lekjksg esa yxkrkj rhljh ckj Hkkx ysrs gq, la;qDr jk”Va la?k }^varjkjk” ?kks feysV~lo”kZ* fo”k; ij ,d >kadh çLrqr dhA Hkk—vuka us fdlkuksa dks JhvUu dh [ksrh ls vf/kd vk; vftZr 没有 leFkZ cus rFkk JhvUu dks yksdfç; cucus ds mis'; ls viuh x.kra= fnol >kadh esa JhvUu dk çn'kZu fd;k tSlk fd la;qDr jk”Va la?k }kjk ns'k ds cM+s Hkkx esa mxk;s tkus jk ek Hkkjr ds lqij;kSA tkkxg| ds fy, yxkrkj c<+ jgh ekax] c<+rh Hkq[kejh ,oa dqiks”kk] çfrdwy tyok;q ifjorZu ds çHkko dh –f”V ls [kk| ,oa —f”k mRiknu ç.kkfy;ksa dks fo'oHkj esa vçR;kf'kr pqukSfr;ksa dk lkeuk djuk iM+ jgk gSA bls ns[krs gq, ^*,di`Foh] ,d ifjokj] ;**d fo Hkfo”; ij Hkkjr dh th&20 v/;{krk ds qqu:ik esa] —f”k eq[; oSKkfudksa dh cSBd 1⁄4 MACS 1⁄2 2023 dk vk;kstu ^*LoLFk equo ,oa xzg ds fy, fVdkÅ —f”k ,oa [kk| ç.kkfy;ka** fo”k;他 okjk.klh 是 fd;kx;kA 但 cSBd 是 fo'ks”kdj ^varjkZ”Vah; feysV~lo”kZ* ds lanHkZ esa [kk| lqj{kk] tyok;q vukadwy —f”k ds ek/;e ls ladV ds çfr yphykiu ,oa ,d LoLFk –f”Vdks.k] fMftVy —f”k rFkk vukala/kku ,oa fodkl ds fyq&fx exbhjs+lkoxqçíd ij ppkZ dh xbZA cSBd esa fo'ks”kdj —f”k tSo fofo/krk] [kk| ,oa iks”kk lqj{kk ds fy，JhvUu vk/kkfjr LFkkuh； [页| ç.kkyh ij cy nsrs gq, ^feysV~l
第 98 届参议院会议记录
序号 ROLL 号 部门 姓名 性别 类别 课程名称 1 P160005AR AR AROMAL VM GEN 建筑与规划博士 2 P170090AR AR FATHIM RASHNA KALLINGAL F GEN 建筑与规划博士 3 P180032AR AR ROHIT RAMAKRISHNA NADKARNI M GEN 建筑与规划博士 4 P180076AR AR SHAHIM ABDURAHIMAN MM GEN 建筑与规划博士 5 P130062AR AR Vidhya G Mohan F OBC 建筑与规划博士 6 P170013BT BT RESHMI SASI F OBC 生物科学与工程博士 7 P180031CH CH AKASH M CHANDRAN M SC 化学工程博士 8 P180037CH CH JENNY NF OBC 博士化学工程博士 9 P180021CH CH Johnsan RM SC 化学工程博士 10 P180010CH CH MONA MARY VARGHESE F GEN 化学工程博士 11 P180091CH CH RAHUL KRISHNA BM OBC 化学工程博士 12 P180014CH CH SHALINI VF GEN 化学工程博士 13 P140031CH CH Sindhu NF GEN 化学工程博士 14 P140078CH CH SONY GEORGE M GEN 化学工程博士 15 P180084CH CH Y. Raju M SC 化学工程博士 16 P200022CY CY Amina Hamnas KM F OBC 化学博士 17 P170063CY CY ATHULYADAS F GEN 化学博士 18 P180028CY CY JISHNU SAI GM GEN 化学博士 19 P170065CY CY PARVATHY PF GEN 化学博士 20 P180025CY CY SUBIN KC M GEN 化学博士 21 P170079CY CY VIDHYA CVF GEN 化学博士 22 P200003CE CE ANISHA A. F GEN 土木工程博士 23 P180118CE CE Anjana R. Menon F GEN 土木工程博士 24 P180117CE CE APURVA AKF GEN 土木工程博士 25 P190010CE CE ARATHI ARF OBC-NCL 土木工程博士 26 P170102CE CE BABITHA BENJAMIN F OBC 土木工程博士 27 P180132CE CE GEETHU ELSA THOMAS F GEN 土木工程博士 28 P170014CE CE JISHNU VPM OBC 土木工程博士 29 P160026CE CE KRISHNACHANDRAN.VN M GEN 土木工程博士 30 P170085CE CE Ms. Devipriya VP F GEN 土木工程博士 31 P180055CE CE NAYANATHARA OSF GEN 土木工程博士 32 P160006CE CE P KABBILAWSH M GEN 土木工程博士 33 P140086CE CE R SATHYA PRAKASH M SC 土木工程博士 34 P170007CS CS ANITA JOHN F GEN 计算机科学与工程博士 35 P170059CS CS BIJOY MBM SC计算机科学与工程博士 36 P180085CS CS KRISHNENDHU SPF GEN 计算机科学与工程博士 37 P190004CS CS Lekshmy P Chandran F OBC 计算机科学与工程博士 38 P170080CS CS MERLIN GEORGE F GEN 计算机科学与工程博士 39 P130045CS CS NISHAMOL PHF OBC 计算机科学与工程博士 40 P170027CS CS Remi Raman F GEN 计算机科学与工程博士 41 P180070EE EE ANJITHA VF GEN 电气工程博士 42 P190008EE EE Dil Kumar TR M OBC 电气工程博士 43 P170078EE EE EMIL NINAN SKARIAH M GEN 电气工程博士 44 P170071EE EE JACOB P VARGHESE M GEN 电气工程博士 45 P140089EE EE JAYAKRISHNAN SRM GEN 博士电气工程博士 46 P140049EE EE JOSEPH P VARGHESE M GEN 电气工程博士 47 P180063EE EE LAKSHMI THARAMAL F GEN 电气工程博士 48 P160004EE EE Mohammed Shafi KP M OBC 电气工程博士 49 P180079EE EE REEMA. NF OBC 电气工程博士 50 P140003EE EE SIGI C JOSEPH M GEN 电气工程博士 51 P200001EC EC ANUJA GEORGE F GEN 电子与通信工程博士 52 P180093EC EC ARJUN HARI MM GEN 电子与通信工程博士 53 P180012EC EC KOPPERUNDEVI.PF OBC 电子与通信工程博士 54 P160011EC EC LEKSHMI MS F GEN 电子与通信工程博士 55 P160048EC EC NISANTH. AM OBC 电子与通信工程博士 56 P190030EC EC SUBODH RAJ MSM GEN 电子与通信工程博士 57 P190135EC EC TRESA JOSEPH F GEN 电子与通信工程博士 58 P180056NS NS ARUNA VIJAYAN F OBC 材料科学与工程博士 59 P140114NS NS MADHU AKM OBC 材料科学与工程博士 60 P190084MT MT Merin Joseph F GEN 材料科学与工程博士 61 P180119NS NS MUHAMMAD RABEEH VP M OBC 材料科学与工程博士 62 P190012MA MA ANNTREESA JOSY F GEN 数学博士 63 P170041MA MA BHANUPRIYA CKF OBC 数学博士 64 P140109MA MA DEEPAK PM GEN 数学博士 65 P190011MA MA GAYATHRI GF GEN 数学博士 66 P160028MA MA Jamsheena PF OBC 数学博士 67 P190059MA MA JULIA T THOMAS F GEN 数学博士 68 P180125MA MA RASMI KF GEN 数学博士 69 P160060MA MA SAMEER POONGADAN M OBC 数学博士 70 P180058MA MA Sobin Thomas M GEN 数学博士 71 P180061MA MA Swathi VV F OBC 数学博士 72 P160082MA MA YASSER KT M OBC 数学博士 73 P180095ME ME AJITH KURIAN BABY M GEN 机械工程博士 74 P180106ME ME ALOSH JAMES M GEN 机械工程博士材料科学与工程博士 59 P140114NS NS MADHU AKM OBC 材料科学与工程博士 60 P190084MT MT Merin Joseph F GEN 材料科学与工程博士 61 P180119NS NS MUHAMMAD RABEEH VP M OBC 材料科学与工程博士 62 P190012MA MA ANNTREESA JOSY F GEN 数学博士 63 P170041MA MA BHANUPRIYA CKF OBC 数学博士 64 P140109MA MA DEEPAK PM GEN 数学博士 65 P190011MA MA GAYATHRI GF GEN 数学博士 66 P160028MA MA Jamsheena PF OBC 数学博士 67 P190059MA MA JULIA T THOMAS F GEN 数学博士 68 P180125MA MA RASMI KF GEN 数学博士 69 P160060MA MA SAMEER POONGADAN M OBC 数学博士 70 P180058MA MA Sobin Thomas M GEN 数学博士 71 P180061MA MA Swathi VV F OBC 数学博士 72 P160082MA MA YASSER KT M OBC 数学博士 73 P180095ME ME AJITH KURIAN BABY M GEN 机械工程博士 74 P180106ME ME ALOSH JAMES M GEN 机械工程博士材料科学与工程博士 59 P140114NS NS MADHU AKM OBC 材料科学与工程博士 60 P190084MT MT Merin Joseph F GEN 材料科学与工程博士 61 P180119NS NS MUHAMMAD RABEEH VP M OBC 材料科学与工程博士 62 P190012MA MA ANNTREESA JOSY F GEN 数学博士 63 P170041MA MA BHANUPRIYA CKF OBC 数学博士 64 P140109MA MA DEEPAK PM GEN 数学博士 65 P190011MA MA GAYATHRI GF GEN 数学博士 66 P160028MA MA Jamsheena PF OBC 数学博士 67 P190059MA MA JULIA T THOMAS F GEN 数学博士 68 P180125MA MA RASMI KF GEN 数学博士 69 P160060MA MA SAMEER POONGADAN M OBC 数学博士 70 P180058MA MA Sobin Thomas M GEN 数学博士 71 P180061MA MA Swathi VV F OBC 数学博士 72 P160082MA MA YASSER KT M OBC 数学博士 73 P180095ME ME AJITH KURIAN BABY M GEN 机械工程博士 74 P180106ME ME ALOSH JAMES M GEN 机械工程博士
贝叶斯数据分析
请在我们身份验证您的情况下等待...2016年贝叶斯分析学会的2016年奖项获得了这本著名的书，现在是第三版，被广泛认为是贝叶斯方法的主要文本，它因其实用和可访问的方法来分析数据和解决研究问题而受到赞扬。介绍先进的方法，文本具有从真实应用和研究中得出的众多工作示例，强调在本版中使用贝叶斯推断在实践中的实践中使用了四章，这些章节是关于非参数建模的四章，以及关于弱小的先验，避免边界的先验，跨越的先验，交叉竞争和预测信息的宣布，在三个方面使用的学生的最新章节：原则；对于研究生，它提出了贝叶斯建模和计算的有效当前方法；对于研究人员而言，它在应用统计数据中提供了各种贝叶斯方法的其他材料，包括数据集，选定练习的解决方案和软件说明，在书的网页上提供了一些研究人员，强调了在组织科学中使用贝叶斯方法进行数据分析的重要性。 但是，在采用贝叶斯方法时，仍然存在一些挑战和局限性。 例如，一个问题是贝叶斯方法需要指定先前的分布，这可能很困难，尤其是在使用复杂模型时。 Berger，J。2016年贝叶斯分析学会的2016年奖项获得了这本著名的书，现在是第三版，被广泛认为是贝叶斯方法的主要文本，它因其实用和可访问的方法来分析数据和解决研究问题而受到赞扬。介绍先进的方法，文本具有从真实应用和研究中得出的众多工作示例，强调在本版中使用贝叶斯推断在实践中的实践中使用了四章，这些章节是关于非参数建模的四章，以及关于弱小的先验，避免边界的先验，跨越的先验，交叉竞争和预测信息的宣布，在三个方面使用的学生的最新章节：原则；对于研究生，它提出了贝叶斯建模和计算的有效当前方法；对于研究人员而言，它在应用统计数据中提供了各种贝叶斯方法的其他材料，包括数据集，选定练习的解决方案和软件说明，在书的网页上提供了一些研究人员，强调了在组织科学中使用贝叶斯方法进行数据分析的重要性。但是，在采用贝叶斯方法时，仍然存在一些挑战和局限性。例如，一个问题是贝叶斯方法需要指定先前的分布，这可能很困难，尤其是在使用复杂模型时。Berger，J。一些研究人员提出了各种技术来提出专家判断以告知先前分布的技术。，例如，O'Hagan等。（2006）提供了先前启发的综合指南，包括技术和潜在的陷阱。其他研究的重点是开发使用贝叶斯先验的专家的信念的方法（例如，Johnson等，2010）。此外，还有各种可用的在线资源可以帮助进行贝叶斯分析。例如，Van de Schoot的在线统计培训提供了有关高级统计主题的教程和练习。总的来说，在组织科学中使用贝叶斯方法的使用变得越来越重要，但是它需要仔细考虑先前的分布和启发技术，以确保准确的结果。注意：我已经删除了一些特定的参考，并重点介绍了要点。让我知道您是否希望我保留更多原始文本！van de de Schoot-Hubeek，W.，Hoijtink，H.，Van de Schoot，R.，Zondervan-Zwijnenburg，M。＆Lek，K。评估专家判断引发程序，以相关性和应用于贝叶斯分析。客观的贝叶斯分析：对主观贝叶斯分析的案例，批评和个人观点。Brown，L。D.经验贝叶斯和贝叶斯方法的现场测试，用于击球平均赛季预测。Candel，M。J.，Winkens，B。Monte Carlo研究在纵向设计中多级分析中的经验贝叶斯估计值的性能。Ibrahim，J。G.，Chen，M。H.，Gwon，Y。Ibrahim，J。G.，Chen，M。H.，Gwon，Y。darnieder，W。F.贝叶斯方法依赖数据依赖的先验。＆Chen，F。权力先验：具有统计功率计算的理论和应用。Muthen，B。，Asparouhov，T。贝叶斯结构方程建模：使用数据依赖性先验对实体理论的更灵活的表示。Rietbergen，C.，Klugkist，I.，Janssen，K。J.，Moons，K。G.＆Hoijtink，H。将历史数据纳入随机治疗试验的分析中，以及基于系统文献搜索和专家精力提示的知识的贝叶斯PTSD-Traigntory分析。van der Linden，W。J.在自适应测试中使用响应时间进行项目选择。Wasserman，L。使用数据依赖性先验对混合模型的渐近推断。请注意，我保留了您的消息的原始语言而不翻译。给定文本：释义此文本：数据（版本V1.0）。Zenodo（2020）。元素Google Scholar Chung，Y.，Gelman，A.，Rabe-Hesketh，S.，Liu，J。＆Dorie，V。层次模型中协方差矩阵的点估计值较弱。J.教育。行为。Stat。40，136–157（2015）。Google Scholar Gelman，A.，Jakulin，A.，Pittau，M。G.＆Su，Y.-S。 logistic和其他回归模型的弱信息默认分布。ann。应用。Stat。2，1360–1383（2008）。MathScinetMath Google Scholar Gelman，A.，Carlin，J。 B.，Stern，H。S.＆Rubin，D。B. Bayesian数据分析卷。 2（Chapman＆Hallcrc，2004）。Jeffreys，H。概率理论卷。 am。 Stat。2，1360–1383（2008）。MathScinetMath Google Scholar Gelman，A.，Carlin，J。B.，Stern，H。S.＆Rubin，D。B. Bayesian数据分析卷。2（Chapman＆Hallcrc，2004）。Jeffreys，H。概率理论卷。am。Stat。3（Clarendon，1961）.Seaman III，J。W.，Seaman Jr，J。W.＆Stamey，J。D.指定非信息先验的隐藏危险。66，77–84（2012）.MathScinet Google Scholar Gelman，A。层次模型中方差参数的先前分布（Browne和Draper对文章的评论）。贝叶斯肛门。1，515–534（2006）.MathScinet Math Google Scholar Lambert，P.C.，Sutton，A。J.，Burton，P.R.，Abrams，K。R.＆Jones，D。R.含糊不清？对使用Winbugs在MCMC中使用模糊的先验分布的影响的仿真研究。Stat。Med。24，2401–2428（2005）。MathScinetGoogle Scholar Depaoli，S。在不同程度的类别分离的情况下，GMM中的混合类别恢复：频繁主义者与贝叶斯的估计。Psychol。方法18，186–219（2013）。Google Scholar DePaoli，S。＆Van de Schoot，R。贝叶斯统计中的透明度和复制：WAMBS-CHECKLIST。Psychol。方法22，240（2017）。本文提供了有关如何在使用贝叶斯统计数据估算模型时如何检查各个点的分步指南。统计建模模型检查中的贝叶斯模型检查和鲁棒性是一种用于评估统计模型准确性的方法。它涉及使用各种诊断工具来检查模型的潜在问题，例如偏见或过度拟合。贝叶斯模型检查是传统模型检查的扩展，将先前的信念纳入分析中。再次。贝叶斯模型检查的关键应用之一是检测先前数据冲突。贝叶斯模型检查近年来变得越来越重要，因为它能够提供对统计模型的更细微理解的能力。它允许研究人员量化数据中包含的信息量，并评估其结论的可靠性。一些研究人员为贝叶斯模型检查技术的发展做出了重大贡献，包括Nott等，Evans和Moshonov，Young and Pettit，Kass和Raftery，Bousquet，Veen和Stoel，以及Nott等。这些研究人员介绍了各种诊断工具和评估先前数据协议和冲突的标准。这会发生在同一数据集的先前信念和数据之间存在差异时。像埃文斯（Evans），莫索诺夫（Moshonov）和杨（Young）这样的研究人员已经开发了使用诸如后验预测分布等指标来量化这一冲突的方法。贝叶斯模型检查也已应用于贝叶斯模型中的可能性推断。像Gelman，Simpson和Betancourt这样的研究人员强调了理解表达先前信念的上下文的重要性。除了其方法论上的意义外，贝叶斯模型检查还在社会科学，医学和金融等领域还采用了实际应用。它可以通过确定统计模型的潜在问题来帮助研究人员和政策制定者做出更明智的决定。在此处给定文章，此处28，319–339（2013）.MathScinet Math Google Scholar Rubin，D。B. Bayesian具有合理的频率计算，适用于应用的统计学家。ann。Stat。J.am。12，1151–1172（1984）。Mathscinet Math Google Scholar Gelfand，A。E.＆Smith，A。F. M.基于采样的方法来计算边际密度。 Stat。 合作。 85，398–409（1990）。 这篇开创性的文章将MCMC视为贝叶斯推理的实际方法。 ifna（1991）。 3（Eds van de Schoot，R。＆Miocevic，M。）30–49（Routledge，2020）。 4（eds van de Schoot，R。＆Miocevic，M。）50–70（Routledge，2020）。Robert，C。＆Casella，G。Monte Carlo统计方法（Springer Science＆Business Media，2013）。 ieee trans。 模式肛门。 马赫。 Intell。 6，721–741（1984）。大型Google Scholar Metropolis，N.，Rosenbluth，A。W.，Rosenbluth，M。N.，Teller，A。H.＆Teller，E。快速计算机通过快速计算机计算的方程。 J. Chem。 物理。 21，1087–1092（1953）.ADS数学Google Scholar Hastings，W。K. Monte Carlo采样方法使用Markov链及其应用。 Biometrika 57，97–109（1970）.Mathscinet Math Google Scholar Duane，S.，Kennedy，A。D.，Pendleton，B。J. ＆Roweth，D。Hybrid Monte Carlo。 物理。 Lett。 J. am。 Stat。 合作。12，1151–1172（1984）。Mathscinet Math Google Scholar Gelfand，A。E.＆Smith，A。F. M.基于采样的方法来计算边际密度。Stat。合作。85，398–409（1990）。 这篇开创性的文章将MCMC视为贝叶斯推理的实际方法。 ifna（1991）。 3（Eds van de Schoot，R。＆Miocevic，M。）30–49（Routledge，2020）。 4（eds van de Schoot，R。＆Miocevic，M。）50–70（Routledge，2020）。Robert，C。＆Casella，G。Monte Carlo统计方法（Springer Science＆Business Media，2013）。 ieee trans。 模式肛门。 马赫。 Intell。 6，721–741（1984）。大型Google Scholar Metropolis，N.，Rosenbluth，A。W.，Rosenbluth，M。N.，Teller，A。H.＆Teller，E。快速计算机通过快速计算机计算的方程。 J. Chem。 物理。 21，1087–1092（1953）.ADS数学Google Scholar Hastings，W。K. Monte Carlo采样方法使用Markov链及其应用。 Biometrika 57，97–109（1970）.Mathscinet Math Google Scholar Duane，S.，Kennedy，A。D.，Pendleton，B。J. ＆Roweth，D。Hybrid Monte Carlo。 物理。 Lett。 J. am。 Stat。 合作。85，398–409（1990）。这篇开创性的文章将MCMC视为贝叶斯推理的实际方法。ifna（1991）。3（Eds van de Schoot，R。＆Miocevic，M。）30–49（Routledge，2020）。4（eds van de Schoot，R。＆Miocevic，M。）50–70（Routledge，2020）。Robert，C。＆Casella，G。Monte Carlo统计方法（Springer Science＆Business Media，2013）。ieee trans。模式肛门。马赫。Intell。 6，721–741（1984）。大型Google Scholar Metropolis，N.，Rosenbluth，A。W.，Rosenbluth，M。N.，Teller，A。H.＆Teller，E。快速计算机通过快速计算机计算的方程。 J. Chem。 物理。 21，1087–1092（1953）.ADS数学Google Scholar Hastings，W。K. Monte Carlo采样方法使用Markov链及其应用。 Biometrika 57，97–109（1970）.Mathscinet Math Google Scholar Duane，S.，Kennedy，A。D.，Pendleton，B。J. ＆Roweth，D。Hybrid Monte Carlo。 物理。 Lett。 J. am。 Stat。 合作。Intell。6，721–741（1984）。大型Google Scholar Metropolis，N.，Rosenbluth，A。W.，Rosenbluth，M。N.，Teller，A。H.＆Teller，E。快速计算机通过快速计算机计算的方程。J. Chem。 物理。 21，1087–1092（1953）.ADS数学Google Scholar Hastings，W。K. Monte Carlo采样方法使用Markov链及其应用。 Biometrika 57，97–109（1970）.Mathscinet Math Google Scholar Duane，S.，Kennedy，A。D.，Pendleton，B。J. ＆Roweth，D。Hybrid Monte Carlo。 物理。 Lett。 J. am。 Stat。 合作。J. Chem。物理。21，1087–1092（1953）.ADS数学Google Scholar Hastings，W。K. Monte Carlo采样方法使用Markov链及其应用。Biometrika 57，97–109（1970）.Mathscinet Math Google Scholar Duane，S.，Kennedy，A。D.，Pendleton，B。J.＆Roweth，D。Hybrid Monte Carlo。物理。Lett。 J. am。 Stat。 合作。Lett。J.am。Stat。合作。b 195，216–222（1987）。＆Wong，W。H.通过数据增强计算后验分布。82，528–540（1987）。 本文解释了当直接计算感兴趣参数的后验密度时，如何使用数据扩展。马尔可夫链蒙特卡洛手册（CRC，2011年）。 本书对MCMC及其在许多不同的应用中的使用进行了全面评论。Gelman，A。Burn-in MCMC，为什么我们更喜欢“热身”一词。 元建模，因果推理和社会科学（2017）。Gelman，A。 ＆Rubin，D。B. 使用多个序列从迭代模拟中推断。 Stat。 SCI。 7，457–511（1992）。 一般方法用于监测迭代模拟的收敛性。 J. Comput。 图。 Stat。 7，434–455（1998）。大型Google Scholar Roberts，G。O. Markov链链概念与采样算法有关。 马尔可夫链蒙特卡洛在实践中57，45-58（1996）。 （2020）提出了一种改进的\（\ hat {r} \）度量，用于评估马尔可夫链蒙特卡洛（MCMC）方法的收敛性。 他们建立在Bürkner（2017），Merkle和Rosseel（2015）和Carpenter等人的先前作品上。 （2017）。 关键参考包括Minka（2013），Hoffman等。 （2015），Liang等。 Q.82，528–540（1987）。本文解释了当直接计算感兴趣参数的后验密度时，如何使用数据扩展。马尔可夫链蒙特卡洛手册（CRC，2011年）。本书对MCMC及其在许多不同的应用中的使用进行了全面评论。Gelman，A。Burn-in MCMC，为什么我们更喜欢“热身”一词。元建模，因果推理和社会科学（2017）。Gelman，A。＆Rubin，D。B.使用多个序列从迭代模拟中推断。Stat。SCI。 7，457–511（1992）。 一般方法用于监测迭代模拟的收敛性。 J. Comput。 图。 Stat。 7，434–455（1998）。大型Google Scholar Roberts，G。O. Markov链链概念与采样算法有关。 马尔可夫链蒙特卡洛在实践中57，45-58（1996）。 （2020）提出了一种改进的\（\ hat {r} \）度量，用于评估马尔可夫链蒙特卡洛（MCMC）方法的收敛性。 他们建立在Bürkner（2017），Merkle和Rosseel（2015）和Carpenter等人的先前作品上。 （2017）。 关键参考包括Minka（2013），Hoffman等。 （2015），Liang等。 Q.SCI。7，457–511（1992）。一般方法用于监测迭代模拟的收敛性。 J. Comput。 图。 Stat。 7，434–455（1998）。大型Google Scholar Roberts，G。O. Markov链链概念与采样算法有关。 马尔可夫链蒙特卡洛在实践中57，45-58（1996）。 （2020）提出了一种改进的\（\ hat {r} \）度量，用于评估马尔可夫链蒙特卡洛（MCMC）方法的收敛性。 他们建立在Bürkner（2017），Merkle和Rosseel（2015）和Carpenter等人的先前作品上。 （2017）。 关键参考包括Minka（2013），Hoffman等。 （2015），Liang等。 Q.一般方法用于监测迭代模拟的收敛性。J. Comput。图。Stat。7，434–455（1998）。大型Google Scholar Roberts，G。O. Markov链链概念与采样算法有关。马尔可夫链蒙特卡洛在实践中57，45-58（1996）。（2020）提出了一种改进的\（\ hat {r} \）度量，用于评估马尔可夫链蒙特卡洛（MCMC）方法的收敛性。他们建立在Bürkner（2017），Merkle和Rosseel（2015）和Carpenter等人的先前作品上。（2017）。关键参考包括Minka（2013），Hoffman等。（2015），Liang等。 Q.（2015），Liang等。Q.Q.新方法利用排序差异，折叠和本地化技术来增强\（\ hat {r} \）的准确性。此外，本综述强调了贝叶斯建模中变异推理方法的重要性，尤其是随机变体，这些变体是大型数据集或复杂模型的流行近似贝叶斯推理方法的基础。（2013），Kingma和BA（2014），Li等。 （2008），Forte等。 （2018），Mitchell和Beauchamp（1988），George和McCulloch（1993），Ishwaran和Rao（2005），Bottolo和Richardson（2010），Ročková和George（2014），Park和Park和Casella（2008），以及Carvalho等。 （2014）。 用于回归分析中的稀疏信号。 该框架利用连续的收缩先验来实现全局稀疏性，同时控制每个系数的正则化量。 该方法已广泛应用于各个领域，包括贝叶斯惩罚回归和多元变量选择。 其他相关研究包括为高斯状态空间模型的随机模型规范搜索，在结构化添加回归模型中进行功能选择的尖峰和刻录式先验以及多个高斯图形模型的贝叶斯推断。 L. F. B., Reich, B. J., Fuentes, M. & Dominici, F. Spatial variable selection methods for investigating acute health effects of fine particulate matter components are explored in the context of Biometrics (2015).MathSciNet MATH Google Scholar Additionally, research on Bayesian fMRI time series analysis with spatial priors is presented by Penny, W. D., Trujillo-Barreto, N. J. ＆Friston，K。J. Neuroimage（2005）。 咨询。 临床。（2013），Kingma和BA（2014），Li等。（2008），Forte等。 （2018），Mitchell和Beauchamp（1988），George和McCulloch（1993），Ishwaran和Rao（2005），Bottolo和Richardson（2010），Ročková和George（2014），Park和Park和Casella（2008），以及Carvalho等。 （2014）。 用于回归分析中的稀疏信号。 该框架利用连续的收缩先验来实现全局稀疏性，同时控制每个系数的正则化量。 该方法已广泛应用于各个领域，包括贝叶斯惩罚回归和多元变量选择。 其他相关研究包括为高斯状态空间模型的随机模型规范搜索，在结构化添加回归模型中进行功能选择的尖峰和刻录式先验以及多个高斯图形模型的贝叶斯推断。 L. F. B., Reich, B. J., Fuentes, M. & Dominici, F. Spatial variable selection methods for investigating acute health effects of fine particulate matter components are explored in the context of Biometrics (2015).MathSciNet MATH Google Scholar Additionally, research on Bayesian fMRI time series analysis with spatial priors is presented by Penny, W. D., Trujillo-Barreto, N. J. ＆Friston，K。J. Neuroimage（2005）。 咨询。 临床。（2008），Forte等。（2018），Mitchell和Beauchamp（1988），George和McCulloch（1993），Ishwaran和Rao（2005），Bottolo和Richardson（2010），Ročková和George（2014），Park和Park和Casella（2008），以及Carvalho等。（2014）。用于回归分析中的稀疏信号。该框架利用连续的收缩先验来实现全局稀疏性，同时控制每个系数的正则化量。该方法已广泛应用于各个领域，包括贝叶斯惩罚回归和多元变量选择。其他相关研究包括为高斯状态空间模型的随机模型规范搜索，在结构化添加回归模型中进行功能选择的尖峰和刻录式先验以及多个高斯图形模型的贝叶斯推断。L. F. B., Reich, B. J., Fuentes, M. & Dominici, F. Spatial variable selection methods for investigating acute health effects of fine particulate matter components are explored in the context of Biometrics (2015).MathSciNet MATH Google Scholar Additionally, research on Bayesian fMRI time series analysis with spatial priors is presented by Penny, W. D., Trujillo-Barreto, N. J.＆Friston，K。J. Neuroimage（2005）。咨询。临床。Google Scholar Smith，M.，Pütz，B。，Auer，D。＆Fahrmeir，L。Neuroimage（2003）中还讨论了通过空间贝叶斯变量选择评估大脑活动。Google Scholar此外，检查了Zhang，L。，Guindani，M.，Versace，F。＆Vannucci，M。Neuroimage（2014）的时空非参数贝叶斯变量选择模型用于聚类相关时间课程。判断中信息处理的研究采用了各种方法，如Bolt等人的研究中所见，他们探讨了两种戒烟剂在联合使用的有效性，理由是J.Psychol。80，54–65，2012）。在类似的脉中，Billari等。基于贝叶斯范式内的专家评估（人口统计学51，1933–1954，2014）开发了随机人群预测模型。其他研究已经深入研究了暂时的生活变化及其对离婚时间的影响（Fallesen＆Breen，人口统计学53，1377-1398，2016）。同时，Hansford等人。分析了美国律师将军在最高法院的政策领域的位置（Pres。螺柱。49，855–869，2019）。此外，研究重点是使用健康行为综合模型来预测限制“自由糖”消耗（Phipps等人，食欲150，104668，2020）。此外，研究还将贝叶斯统计数据引入了健康心理学，并强调了其在该领域的潜在好处（Depaoli等人，Health Psychol。修订版11，248–264，2017）。Psychol。Gen. 142，573–603，2013; Lee，M。D.，J。 数学。Gen. 142，573–603，2013; Lee，M。D.，J。数学。贝叶斯估计的应用已显示在各种情况下取代传统的t检验，包括认知建模和生态研究（Kruschke，J。Exp。Psychol。55，1-7，2011）。此外，层次结构的贝叶斯模型已在生态学中用于建模种群动态和推断环境参数（Royle＆Dorazio，生态学的分层建模和推断）。通过包括Gimenez等人在内的各种研究人员的工作进一步开发了这种方法。（在标记人群中建模的人口统计过程中，3）和King等。（贝叶斯分析人群生态学）。研究还研究了贝叶斯方法在生态学中的使用，例如使用汉密尔顿蒙特卡洛（Monnahan等人，方法ECOL。Evol。8，339–348，2017）。贝叶斯对生态学的重要性的重要性已被埃里森（Elison）等研究人员（ecol。Lett。 7，509–520，2004）。 最后，已经探索了通过设计启发将专家意见整合到贝叶斯统计模型中，突出了其为先验知识提供信息并提高模型准确性的潜力（Choy等，生态学90，265-277，2009）。 也已经讨论了有关使用贝叶斯评估诊断人群下降的诊断人群下降的方法（King等，J。R. Stat。 Soc。 系列C 57，609–632，2008）。 在2008年至2020年的一系列出版物中介绍了统计生态技术的全面综述。 - Dennis等。 -McClintock等。Lett。7，509–520，2004）。最后，已经探索了通过设计启发将专家意见整合到贝叶斯统计模型中，突出了其为先验知识提供信息并提高模型准确性的潜力（Choy等，生态学90，265-277，2009）。也已经讨论了有关使用贝叶斯评估诊断人群下降的诊断人群下降的方法（King等，J。R. Stat。Soc。系列C 57，609–632，2008）。 在2008年至2020年的一系列出版物中介绍了统计生态技术的全面综述。 - Dennis等。 -McClintock等。系列C 57，609–632，2008）。在2008年至2020年的一系列出版物中介绍了统计生态技术的全面综述。- Dennis等。-McClintock等。总而言之，对判断中信息处理的研究以及贝叶斯统计在各个领域的应用，使人们对这些概念及其对决策和人口建模的影响有了更深入的了解。这些作品涵盖了种群建模的各个方面，包括贝叶斯估计，综合人群模型和遗传关联研究。关键论文包括： - King and Brooks（2008）关于贝叶斯对具有异质性和模型不确定性的封闭种群的估计。（2006）使用生态数据估计密度依赖性，过程噪声和观察误差。（2012）基于多阶段随机步行开发了一个一般的离散时间框架，用于动物运动。-Aeberhard等。（2018）对渔业科学的州空间模型进行了综述。其他值得注意的贡献包括： - Isaac等。（2020）讨论了大规模物种分布模型的数据集成。-McClintock等。（2020）提出了一种使用隐藏的马尔可夫模型来发现生态状态动力学的方法。- King（2014）审查了统计生态及其应用。- Andrieu等。（2010）引入了粒子马尔可夫链蒙特卡洛方法，用于复杂的种群建模。这些研究表明，从人口生存能力分析到遗传关联研究，在理解生态系统中采用的统计技术的多样性，强调了该领域数据整合和高级建模方法的重要性。提出一种利用转移学习以提高数据质量的方法。基因组学，统计和机器学习的交集在理解复杂的生物系统中变得越来越重要。最近的研究探索了多摩智数据集的整合，以发现对人类健康和疾病的新见解。由Argelaguet等人建立了整合多派数据集的框架，该框架采用贝叶斯方法来识别生物学过程的关键因素。该方法已应用于包括单细胞转录组学在内的各个领域，如Yau和Campbell的工作所示，他们使用贝叶斯统计学习来分析大型数据集。研究的另一个领域涉及在英国生物库中对跨树木结构的常规医疗数据进行遗传关联的分析。诸如Stuart和Satija的研究表明，将单细胞分析与基因组学相结合以揭示有关复杂生物系统的新信息的潜力。深层生成模型的发展也促进了单细胞转录组学的进步，如Lopez等人的工作所证明的那样，后者应用了深层生成模型来分析大型数据集。此外，与Wang等人一起，对单细胞转录组学中数据降解和转移学习的研究已显示出令人鼓舞的结果。最近的研究还强调了科学研究中可重复性和公平原则（可访问，可互操作和可重复使用）的重要性。这包括诸如癌症基因组图集和Dryad＆Zenodo之类的举措，旨在促进开放研究实践。提出了功能性变分贝叶斯神经网络。机器学习技术（包括变异自动编码器）的应用也在理解复杂的生物系统方面变得越来越重要。正如Paszke等人的评论中所述，变化自动编码器为将基因组学和统计数据与深层生成模型的整合提供了有希望的方法。总体而言，多摩智数据集，机器学习技术和统计分析的进步的整合已经开辟了新的途径，以理解复杂的生物系统并揭示了对人类健康和疾病的新见解。概率建模的最新进展导致了几种将深度学习与贝叶斯推论相结合的技术的发展。该领域的一个关键概念是变异自动编码器（VAE），它通过将其映射到较低维度的空间中来了解输入数据的概率分布。Hinton等人引入的Beta-Vae框架将VAE限制为学习基本的视觉概念。研究人员还探索了贝叶斯方法在神经网络中的应用，例如高斯过程和周期性随机梯度MCMC。例如，尼尔在神经网络上的贝叶斯学习方面的工作突出了神经网络与高斯过程之间的联系。此外，已证明将深层合奏用于预测不确定性估计在各种任务中都是有效的。最近的预印象提出了新的新技术，包括功能变分贝叶斯神经网络和细心的神经过程。后者使用注意机制从输入数据中学习相关特征。res。另一项研究的重点是开发更可扩展和可解释的模型，例如标准化流量和周期性随机梯度MCMC。该领域在理解深度学习的理论基础上，包括神经网络与高斯过程之间的联系，也看到了重大进展。Mackay和Williams的作品为贝叶斯倒退网络提供了一个实用的框架，而Sun等人。总的来说，这些进步有助于我们理解概率建模及其在深度学习中的应用。Hoffman，M。D.＆Gelman，A。 No-U-Turn采样器：在汉密尔顿蒙特卡洛（Monte Carlo）的自适应设置路径长度。 J. Mach。 学习。 15，1593–1623（2014）。MathScinetMath Google Scholar Liang，F。＆Wong，W。H. Evolutionary Monte Carlo：CP模型采样和更改点问题的应用。 Stat。 Sinica 317-342（2000）.liu，J。S.＆Chen，R。动态系统的顺序蒙特卡洛方法。 J. am。 Stat。 合作。 93，1032–1044（1998）.MathScinet Math Google Scholar Sisson，S.，Fan，Y。 ＆Beaumont，M。近似贝叶斯计算手册（Chapman and Hall/CRC 2018）。 J. R. Stat。 Soc。 系列B 71，319–392（2009）.MathScinet Math Google Scholar Lunn，D。J.，Thomas，A。，Best，N。＆Spiegelhalter，D。Winbugs - 贝叶斯建模框架：概念，结构和可扩展性。 Stat。 计算。Hoffman，M。D.＆Gelman，A。No-U-Turn采样器：在汉密尔顿蒙特卡洛（Monte Carlo）的自适应设置路径长度。J. Mach。 学习。 15，1593–1623（2014）。MathScinetMath Google Scholar Liang，F。＆Wong，W。H. Evolutionary Monte Carlo：CP模型采样和更改点问题的应用。 Stat。 Sinica 317-342（2000）.liu，J。S.＆Chen，R。动态系统的顺序蒙特卡洛方法。 J. am。 Stat。 合作。 93，1032–1044（1998）.MathScinet Math Google Scholar Sisson，S.，Fan，Y。 ＆Beaumont，M。近似贝叶斯计算手册（Chapman and Hall/CRC 2018）。 J. R. Stat。 Soc。 系列B 71，319–392（2009）.MathScinet Math Google Scholar Lunn，D。J.，Thomas，A。，Best，N。＆Spiegelhalter，D。Winbugs - 贝叶斯建模框架：概念，结构和可扩展性。 Stat。 计算。J. Mach。学习。15，1593–1623（2014）。MathScinetMath Google Scholar Liang，F。＆Wong，W。H. Evolutionary Monte Carlo：CP模型采样和更改点问题的应用。 Stat。 Sinica 317-342（2000）.liu，J。S.＆Chen，R。动态系统的顺序蒙特卡洛方法。 J. am。 Stat。 合作。 93，1032–1044（1998）.MathScinet Math Google Scholar Sisson，S.，Fan，Y。 ＆Beaumont，M。近似贝叶斯计算手册（Chapman and Hall/CRC 2018）。 J. R. Stat。 Soc。 系列B 71，319–392（2009）.MathScinet Math Google Scholar Lunn，D。J.，Thomas，A。，Best，N。＆Spiegelhalter，D。Winbugs - 贝叶斯建模框架：概念，结构和可扩展性。 Stat。 计算。15，1593–1623（2014）。MathScinetMath Google Scholar Liang，F。＆Wong，W。H. Evolutionary Monte Carlo：CP模型采样和更改点问题的应用。Stat。Sinica 317-342（2000）.liu，J。S.＆Chen，R。动态系统的顺序蒙特卡洛方法。J.am。Stat。合作。93，1032–1044（1998）.MathScinet Math Google Scholar Sisson，S.，Fan，Y。＆Beaumont，M。近似贝叶斯计算手册（Chapman and Hall/CRC 2018）。J. R. Stat。 Soc。 系列B 71，319–392（2009）.MathScinet Math Google Scholar Lunn，D。J.，Thomas，A。，Best，N。＆Spiegelhalter，D。Winbugs - 贝叶斯建模框架：概念，结构和可扩展性。 Stat。 计算。J. R. Stat。Soc。系列B 71，319–392（2009）.MathScinet Math Google Scholar Lunn，D。J.，Thomas，A。，Best，N。＆Spiegelhalter，D。Winbugs - 贝叶斯建模框架：概念，结构和可扩展性。Stat。计算。10，325–337（2000）。Google Scholar Ntzoufras，I。使用Winbugs Vol。698（Wiley，2011）.Lunn，D。J.，Thomas，A.，Best，N。＆Spiegelhalter，D。Winbugs - 贝叶斯建模框架：概念，结构和可扩展性。Stat。计算。10，325–337（2000）。Spiegelhalter，D.，Thomas，A。，Best，N。＆Lunn，D。OpenBugs用户手册版本3.2.3。OpenBugs（2014）.Plummer，M。Jags：使用Gibbs采样的贝叶斯图形模型分析程序。proc。第三国际统计计算的国际研讨会124，1-10（2003）。Google Scholar Plummer，M。Rjags：使用MCMC的贝叶斯图形模型。r软件包版本，4（6）（2016）.Salvatier，J.，Wiecki，T。V.＆Fonnesbeck，C。使用Pymc3在Python中进行概率编程。peerj Comput。SCI。 2，E55（2016）。 Google Scholar de Valpine，P。等。 与模型的编程：编写敏捷的通用模型结构的统计算法。 J. Comput。 图。SCI。2，E55（2016）。 Google Scholar de Valpine，P。等。 与模型的编程：编写敏捷的通用模型结构的统计算法。 J. Comput。 图。2，E55（2016）。Google Scholar de Valpine，P。等。与模型的编程：编写敏捷的通用模型结构的统计算法。J. Comput。图。Stat.s 26, 403–413 (2017).MathSciNet Google Scholar Bayesian analysis software JASP version 0.14 available for computer use (2020) Lindgren F & Rue H used R-INLA for Bayesian spatial modeling in a Stats journal article (2015) Vanhatalo et al's GPstuff allowed Bayesian Gaussian process modeling with Machine Learning Res articles (2013) Blaxter gave research methods in他的2010年McGraw-Hill教育书《如何进行研究》 BetanCourt在Github上创建了一个原则上的贝叶斯工作流程，主张最佳实践（2020）Veen＆Schoot使用了对英超联赛数据的后验预测检查，并在OSF（2020年）上发布了它，并在Kramer＆Bosman（2020）Kramer＆Bosman在Kramer＆Bosman在Kramersship Sumpership Summerschool inter Smixship Summershood prosentie in Utrech Torne in utrecht in of to inty介绍（2019年），UTRECHINE（2019年）（2019年）（2019年）（2019年）（2019年）（2019年）（2019年） Acta Math匈牙利文章（1955）Lesaffre＆Lawson在2012年Wiley Publication撰写了一种新的公理概率理论（1955年），Hoijtink等人使用了贝叶斯评估，用于认知诊断评估，发表在Psych Methods In In In Psych Methods Journal（2014）