bayes4psy -- an Open Source R Package for Bayesian Statistics in Psychology
心理学研究产生了有趣的数据集和独特的统计建模任务。然而，这些任务虽然重要，但通常非常具体，因此在可访问的贝叶斯工具中无法找到适当的统计模型和方法。因此，贝叶斯方法的使用仅限于那些具有概率规划所需的技术和统计基础的方法。这些知识不是典型的心理学课程的一部分，是心理学学生和研究人员难以克服的障碍。bayes 4psy包的目标是弥合这一差距，并提供一系列模型和方法，用于心理学实验中产生的数据分析，并作为心理学中贝叶斯统计的教学工具。该软件包包含贝叶斯t检验和自举以及用于分析反应时间、成功率和颜色的模型。它还为现代贝叶斯数据分析工作流程提供了所有诊断，分析和可视化工具。
2019-07-03 cs.MS stat.AP stat.ME
Sensitivity and robustness analysis in Bayesian networks with the bnmonitor R package
IE University（IE大学）；Università di Bologna（博洛尼亚大学）；Tesserwell, LLC（Tesserwell有限责任公司）
贝叶斯网络是一类广泛用于复杂操作系统风险评估的模型。现在有多种方法，以及实现的软件，通过数据学习或专家启发来指导它们的构建。然而，一个构建的贝叶斯网络需要验证之前，它可以用于实际的风险评估。在这里，我们举例说明了bnmonitor R包的用法：第一个用于贝叶斯网络验证的综合软件。使用bnmonitor的应用数据分析进行了医疗数据集，以说明其广泛的功能的使用。
2021-07-25 cs.AI stat.ME
The R Package BHAM: Fast and Scalable Bayesian Hierarchical Additive Model for High-dimensional Data
BHAM是一个免费的R包，它为高维临床和基因组数据实现了贝叶斯分层加性模型。该软件包包括广义可加模型和Cox加性模型的功能，与穗和板LASSO事先。这些函数实现了可扩展且稳定的算法来估计参数。BHAM还提供了效用函数来构建高维设置中的加性模型，选择最佳模型，总结双水平变量选择结果，并可视化非线性效应。该软件包可以促进大规模分子数据的灵活建模，即检测易感变量和推断疾病诊断和预后。在这篇文章中，我们描述的模型，算法和相关功能实现BHAM。该软件包可通过公共GitHub存储库https://github.com/boyiguo1/BHAM免费获得。
2022-07-05 stat.CO
BayesPPD: An R Package for Bayesian Sample Size Determination Using the Power and Normalized Power Prior for Generalized Linear Models
R软件包BayesPPD（Bayesian Power Prior Design）支持将历史数据与广义线性模型（GLM）的功效先验和归一化功效先验合并后的贝叶斯功效和第一类错误计算以及模型拟合。该包可容纳汇总水平数据或具有协变量信息的受试者水平数据。它支持使用多个历史数据集以及没有历史数据的设计。响应的支持分布包括正态分布、二进制分布（Bernoulli/binomial）、泊松分布和指数分布。功效参数$a_0$可以是固定的，或者使用这些分布中的每一个的归一化功效先验来随机建模。此外，该软件包支持使用任意采样先验来计算贝叶斯功效和第一类错误率，并具有GLM的特定功能，可以从历史数据半自动生成采样先验。由于GLM的样本量确定（SSD）是计算密集型的，已经实现了基于渐近理论的近似方法，以支持使用功率先验的应用。除了描述统计方法学和功能包中实现的SSD，我们还展示了使用贝叶斯PPD在两个全面的案例研究。
2021-12-29 stat.AP
SSNbayes: An R package for Bayesian spatio-temporal modelling on stream networks
时空模型被广泛应用于从生态学到流行病学的许多研究领域。然而，大多数协方差函数仅基于欧几里德距离来描述空间关系。在本文中，我们介绍了R包SSNbayes，用于拟合贝叶斯时空模型并对分支流网络进行预测。SSNbayes提供了一个线性回归框架，具有用于合并空间和时间自相关的多个选项。空间依赖性捕获流的距离和流量连接，而时间自相关建模使用向量自回归方法。SSNbayes提供了在整个网络中进行预测的功能，计算不确定性概率和其他概率估计，例如合适栖息地的比例。我们说明了使用流温度数据集收集在美国爱达荷州的包的功能。
2022-02-15 stat.CO stat.ME
Using the bayesmeta R package for Bayesian random-effects meta-regression
背景技术背景：分层正态建模框架内的随机效应荟萃分析通常在广泛的证据合成应用中实现。当考虑元回归方法时，甚至可以解决更一般的问题，该方法还允许包含研究水平的协变量。方法：我们描述了Bayesmeta R包中提供的贝叶斯元回归实现，包括先验的选择，并说明了其实际用途。研究结果：给出了广泛的示例应用，如二进制和连续协变量，子群分析，间接比较和模型选择。提供了示例R代码。结论：bayesmeta包提供了一个灵活的实现。由于避免了MCMC方法，计算速度快，重现性好，便于快速灵敏度检查或大规模模拟研究。
2022-11-25 stat.CO
Taweret: a Python package for Bayesian model mixing
本文介绍 Python 软件包 Taweret，通过三种面向不同问题结构的贝叶斯模型混合技术，支持跨领域的模型预测融合与不确定性量化。
2023-10-31 nucl-th physics.data-an stat.CO
disaggregation: An R Package for Bayesian Spatial Disaggregation Modelling
分解建模或缩小尺度已成为流行病学的一个重要学科。在大区域汇总的监测数据越来越普遍，导致对能够处理这些数据以了解空间格局的建模框架的需求日益增加。分解回归模型使用在大的异质区域上聚集的响应数据，通过使用细尺度协变量来告知异质性，从而在该区域上进行细尺度预测。本文介绍了R包分解，它提供了简化运行分解模型的过程以进行精细预测的功能。
2020-01-09 stat.CO stat.ME
fkbma: An R Package for Detecting Tailoring Variables with Free-Knot B-Splines and Bayesian Model Averaging
本文介绍 R 包 fkbma，利用自由节点 B 样条与贝叶斯模型平均识别治疗适配变量，并通过模拟和真实数据验证其应用价值。
2025-03-17 stat.CO stat.ME
Causal Discovery Toolbox: Uncover causal relationships in Python
本文提出了一个新的开源Python框架，用于从观测数据和领域背景知识中发现因果关系，旨在建立因果图和因果机制模型。'cdt'包实现了端到端的方法，恢复变量之间的直接依赖关系（因果图的骨架）和因果关系。它包括来自'Bnlearn'和'Pcalg'包的算法，以及用于成对因果发现的算法，如ANM。'cdt'在https://github.com/Diviyan-Kalainathan/CausalDiscoveryToolbox的MIT许可下可用。
2019-03-06 stat.CO stat.ML
BFI: An R Package for Bayesian Federated Inference
ARQ National Psychotrauma Center（ARQ国家心理创伤中心）
本文介绍R包BFI，实现贝叶斯联邦推断，支持多种回归模型，通过中心间交换参数摘要实现隐私保护下的多中心统计建模，并提供可复现工作流与合并分析对比。
2026-10-06 stat.CO stat.ME
hdbayes: An R Package for Bayesian Analysis of Generalized Linear Models Using Historical Data
本文介绍了R包hdbayes，它利用Stan语言实现了多种结合历史数据的先验方法，用于广义线性模型的贝叶斯分析，解决了现有方法实现不一、比较困难的问题。
2025-06-24 stat.CO stat.ME
Bayesian multilevel compositional data analysis with the R package multilevelcoda
本文介绍R包multilevelcoda，用于在贝叶斯多元多水平框架下建模成分数据，并通过睡眠-觉醒行为示例展示其统计理论与函数实现。
2024-11-19 stat.CO stat.ME
binspp: An R Package for Bayesian Inference for Neyman-Scott Point Processes with Complex Inhomogeneity Structure
内曼-斯科特点过程是一种广泛使用的点过程模型，它易于解释且易于扩展以包含各种类型的不均匀性。这样的复杂模型的推理是复杂的，快速的方法，如最小对比度方法或复合似然方法不能提供准确的估计或完全失败。因此，我们引入贝叶斯MCMC方法的推断Neymann-Scott点过程模型的不均匀性在任何或所有的以下模型组件：过程的聚类中心，在一个集群中的点的平均数，传播的集群。我们还扩展了Neyman-Scott点过程的情况下，过度分散或欠分散的集群大小，并提供了一个贝叶斯MCMC算法的推理。R软件包binspp以易于处理的实现方式提供了这些估计方法，并提供了详细的图形输出，包括所有模型参数的跟踪图和进一步的诊断图。所有的不均匀性建模的空间协变量和相应的回归参数的贝叶斯推断提供。
2022-05-16 stat.ME
BMRMM: An R Package for Bayesian Markov (Renewal) Mixed Models
本研究推出R包BMRMM，实现贝叶斯马尔可夫（更新）混合模型推断，支持带持续时间建模、变量选择及简化马尔可夫混合模型选项，通过两个数据集验证了其实用性。
2024-09-17 stat.AP stat.ME
MR.RGM: An R Package for Fitting Bayesian Multivariate Bidirectional Mendelian Randomization Networks
本文开发了开源R包MR.RGM，基于贝叶斯互逆图模型实现多变量双向孟德尔随机化，克服传统方法仅考虑单一暴露-结果对的局限，构建包含循环/互逆因果的整体因果网络，为复杂生物系统提供全面理解。
2024-10-23 stat.AP
Simulation-based Inference with the Python Package sbijax
Swiss Data Science Center and ETH Zurich, Switzerland（瑞士数据科学中心和苏黎世联邦理工学院，瑞士）；Università della Svizzera italiana, Switzerland, and Insubria University, Italy（瑞士意大利大学，瑞士，和意大利Insubria大学）；Swiss Federal Institute of Aquatic Science and Technology, Switzerland（瑞士联邦水产科学与技术研究所，瑞士）
本文介绍sbijax包，提供高效的神经模拟推断方法，支持快速构建推断估计器并可视化后验分布，利用JAX实现高效计算。
2026-03-20 cs.LG stat.CO stat.ML
Forecasting with Bayesian Panel Vector Autoregressions Using the R Package bpvars
International Labour Organization（国际劳工组织）；University of Melbourne（墨尔本大学）
提出bpvars R包，通过贝叶斯层次面板VAR模型和缺失观测处理方法，实现对动态面板数据的高效预测与评估。
2026-06-15 econ.EM stat.CO
Structured Bayesian Regression Tree Models for Estimating Distributed Lag Effects: The R Package dlmtree
本文介绍R包dlmtree，实现树结构分布滞后模型，用于估计暴露滞后效应，提供拟合、推断、可视化及异质性分析功能。
2025-04-25 stat.CO stat.ME
BayesSUR: An R package for high-dimensional multivariate Bayesian variable and covariance selection in linear regression
在分子生物学中，高通量技术的进步使得研究复杂的多变量表型及其与高维基因组学和其他组学数据的同时关联成为可能，这是一个可以用高维多响应回归研究的问题，其中响应变量可能高度相关。为此，我们最近引入了几个多变量贝叶斯变量和协方差选择模型，例如，稀疏看似无关回归中变量和协方差选择的贝叶斯估计方法。在这种情况下，已经实现了几个变量选择先验，特别是潜在变量包含指标的热点检测先验，这导致预测因子和多个表型之间的关联的稀疏变量选择。我们还提出了一种替代方案，它使用马尔可夫随机场（MRF）事先纳入先验知识的依赖结构的包容性指标。通过对响应变量之间的协方差阵进行因式分解，使得用马尔可夫链蒙特卡罗方法推断贝叶斯似不相关回归（SUR）在计算上是可行的。在本文中，我们提出了BayesSUR，一个R包，它允许用户轻松地指定和运行一系列不同的贝叶斯SUR模型，这些模型已在C++中实现，以提高计算效率。R包允许以模块化的方式指定模型，其中用户分别选择变量选择和协方差选择的先验。我们证明了稀疏SUR模型的性能与热点先验和尖峰和平板MRF之前的合成和真实的数据集代表eQTL或mQTL研究和体外抗癌药物筛选研究的典型应用程序的例子。
2021-04-28 stat.CO stat.ME
MetaStan: An R package for Bayesian (model-based) meta-analysis using Stan
荟萃分析方法用于结合多项研究的证据。荟萃回归和基于模型的荟萃分析是标准成对荟萃分析的扩展，其中可能考虑了研究水平协变量和（组水平）给药量或暴露量的相关信息。在这种情况下，贝叶斯推理方法非常有吸引力，特别是当荟萃分析仅基于少数研究或罕见事件时。在这篇文章中，我们介绍了R包MetaStan，它实现了广泛的成对和基于模型的荟萃分析模型。广义线性混合模型（GLMM）框架用于描述成对荟萃分析、荟萃回归和基于模型的荟萃分析模型。在GLMM框架内，似然函数和链接函数适合于反映数据的性质。例如，使用具有logit链接的二项式似然来执行基于具有二分终点的数据集的荟萃分析。贝叶斯计算通过rstan接口使用Stan进行。Stan使用了一个属于马尔可夫链蒙特卡罗方法家族的哈密顿蒙特卡罗采样器。Stan实现是通过使用适当的参数化来简化计算。用户友好的R包MetaStan，可在CRAN上使用，支持广泛的成对和基于模型的荟萃分析模型。MetaStan为配对荟萃分析提供拟合函数，可选择包括协变量和基于模型的荟萃分析。支持的结果类型包括连续、二进制和计数。成对荟萃分析的森林图和基于模型的荟萃分析的剂量-反应图可从软件包中获得。通过临床实例证明了MetaStan的使用。
2022-02-01 stat.ME
CopulaDTA: An R Package for Copula Based Bivariate Beta-Binomial Models for Diagnostic Test Accuracy Studies in a Bayesian Framework
目前在统计软件包中实施的用于合并诊断测试准确性数据的统计程序包括hSROC回归和双变量随机效应荟萃分析模型（BRMA）。然而，这些模型不报告总体平均值，而是随机效应等于零的中心研究的平均值，并且当荟萃分析中的研究数量较少和/或研究间方差相对较大时，难以估计灵敏度和特异性之间的相关性。本教程介绍了诊断准确性研究荟萃分析的高级统计方法，讨论并演示了使用R中的CopulaDTA包进行贝叶斯建模，以拟合不同的模型，从而获得荟萃分析参数估计值。重点是使用基于copula的双变量β分布的敏感性和特异性的联合建模。从本质上讲，我们通过以下方式扩展了Nikoloulopoulos的工作：i）提出贝叶斯方法，该方法提供了灵活性和执行复杂统计建模的能力，即使是小数据集，ii）包括协变量信息，iii）提供易于使用的代码。通过重新分析两个已发表的荟萃分析的数据来说明统计方法。与使用双变量β分布态分布（例如，在BRMA中），其仅产生研究特定参数估计值。此外，基于copula的模型提供了更大的灵活性，在不同的相关性结构建模相比，正态分布，只允许一个相关性结构。
2016-04-07 stat.ME
ProfileGLMM: a R Package Extending Bayesian Profile Regression using Generalised Linear Mixed Models
ProfileGLMM通过整合广义线性混合模型作为结局模型，扩展了贝叶斯轮廓回归，能够处理复杂且高度相关的协变量结构，并允许分析层次和纵向数据。
2026-04-22 stat.CO stat.ME
BayesFBHborrow: An R Package for Bayesian borrowing for time-to-event data from a flexible baseline hazard
AstraZeneca R&D（阿斯利康研发）；University of Gothenburg（哥德堡大学）；LSHTM（伦敦卫生与热带医学院）
提出一种半参数贝叶斯借用模型，通过平滑先验灵活建模基线风险，利用“块-涂抹”先验增强对非交换历史数据的鲁棒性，并开发R包实现协变量调整借用与边际风险比估计。
2026-06-23 stat.AP stat.CO stat.ME
Bayesian modelling of the temporal evolution of seismicity using the ETAS.inlabru R-package
流行型余震序列（ETAS）模型被广泛应用于地震序列建模和业务地震预报（OEF）。然而，由于一系列原因，评估反转ETAS参数的可靠性仍然具有挑战性。最常见的算法只是返回点估计，几乎没有量化不确定性，而贝叶斯马尔可夫链蒙特卡罗实现仍然运行缓慢，扩展性不佳，并且很少有扩展到包括空间结构。在这里，我们提出了一种新的方法ETAS建模使用替代贝叶斯方法，集成嵌套拉普拉斯近似（INLA）。我们已经在一个新的R包ETAS.inlabru中实现了这个模型，它建立在R包R-INLA和inlabru的基础上。虽然我们在这里只呈现时间分量，但模型可扩展到时空模型，并且可能包括各种空间协变量。使用一系列的合成案例研究，我们探讨了我们的ETAS反演方法的鲁棒性。我们证明了可靠的模型参数估计需要的目录数据包含相对静止期以及触发序列。我们探讨了训练数据中随机不确定性下的鲁棒性，并表明该方法对广泛的起始条件具有鲁棒性。我们展示了如何列入历史地震建模域之前影响反演的质量。最后，我们表明，率依赖大地震后的不完整性有一个显着的和有害的影响ETAS后验。我们相信，inlabru反演的速度，包括对不确定性的严格估计，将使人们能够更深入地探索如何稳健地使用ETAS进行地震活动性建模和业务地震预报。
2022-12-15 stat.AP
BEND: An R Package for the Bayesian Estimation of Nonlinear Longitudinal Data
Human Resources Research Organization (HumRRO)（人力资源研究组织）；Bloomington Public Schools（布卢明顿公立学校）；Center for Research and Teaching in Economics（经济研究与教学中心）；University of Minnesota（明尼苏达大学）
本文介绍R包BEND，它使用贝叶斯推断方法估计非线性纵向模型，特别是分段模型，并提供多种扩展功能以处理复杂纵向数据。
2026-05-29 stat.CO stat.ME
Bayesian Model Selection with Latent Group-Based Effects and Variances with the R Package slgf
本文介绍 R 包 slgf，通过贝叶斯模型选择检测分类预测变量中的潜在分组、回归效应、交互作用及异方差，并在多种 ANOVA/ANCOVA 布局中展示其优势。
2024-04-10 stat.ME
kDGLM: a R package for Bayesian analysis of Generalized Dynamic Linear Models
本文介绍R包kDGLM，用于广义动态线性模型的贝叶斯分析，支持多种指数族分布，通过卡尔曼滤波实现高效序贯推断，拟合时间随序列长度线性增长，可快速处理长时间序列及多序列联合建模。
2024-03-19 stat.CO stat.ME
SSNdesign -- an R package for pseudo-Bayesian optimal and adaptive sampling designs on stream networks
溪流和河流具有生物多样性，提供宝贵的生态系统服务。维护这些生态系统是一项重要的任务，因此组织经常使用现场采样和最近的自主原位传感器来监测河流状况和生物多样性的状况和趋势。然而，数据收集往往是昂贵的，因此有效和高效的调查设计是至关重要的，以最大限度地提高信息，同时最大限度地降低成本。地质统计学和最佳和适应性设计理论可用于优化淡水研究和水生监测计划中采样点的位置。由于水系的分支结构、水流连通性和方向性以及流量的差异，水系的地质统计建模和试验设计带来了统计挑战。因此，独特的挑战，地质统计学和流网络上的试验设计需要开发新的开源软件来实现理论。我们提出SSNdesign，一个R包，用于解决流网络上的优化和自适应设计问题，并与现有的开源软件集成。我们展示了我们的方法的数学基础，并说明SSNdesign的功能，使用两个案例研究，涉及来自澳大利亚昆士兰州的真实数据。在这两个案例研究中，我们证明了最佳或自适应设计优于随机和空间平衡的调查设计。SSN设计包有可能提高淡水监测工作的效率，并为淡水养护和管理提供急需的信息。
2019-12-02 q-bio.QM stat.AP stat.ME
bridgesampling: An R Package for Estimating Normalizing Constants
诸如贝叶斯因子模型选择和贝叶斯模型平均的统计过程需要计算归一化常数（例如，边际可能性）。众所周知，这些归一化常数很难获得，因为它们通常涉及无法解析求解的高维积分。在这里，我们介绍了一个R包，它使用桥采样（孟和王，1996年;孟和席林，2002年），以通用和易于使用的方式估计归一化常数。对于在Stan中实现的模型，估计过程是自动的。我们用三个例子来说明这个包的功能。
2018-09-18 stat.CO
inlamemi: An R package for missing data imputation and measurement error modelling using INLA
本文介绍inlamemi R包，利用INLA在贝叶斯框架下对连续协变量中的测量误差和缺失数据进行分层建模，降低使用门槛并提供多种场景示例。
2024-06-12 stat.ME
AutoWMM and JAGStree -- R packages for Population Size Estimation on Relational Tree-Structured Data
本文开发了AutoWMM和JAGStree两个R包，分别简化了加权乘数法估计和自动化分层贝叶斯建模代码生成，以解决关系树结构数据种群规模估计中的计算实施障碍。
2025-06-26 stat.CO
sklarsomega: An R Package for Measuring Agreement Using Sklar's Omega Coefficient
R软件包sklarsomega提供了使用Sklar的omega系数测量一致性的工具，该系数包含Krippendorff的alpha系数，而alpha系数又包含许多其他众所周知的一致性系数。该软件包允许用户将欧米茄方法应用于标称、有序、间隔或比率分数;可以容纳任何数量的单位、任何数量的编码器和缺失;并且可以测量编码器内一致性、编码器间一致性和相对于黄金标准的一致性。经典推断适用于所有测量水平，而贝叶斯推断仅适用于区间数据和比率数据。
2018-09-10 stat.CO
CircSpaceTime: an R package for spatial and spatio-temporal modeling of Circular data
CircSpaceTime是目前唯一可用的R包，它实现了用于圆形数据的空间和时空插值的贝叶斯模型。这些数据通常在涉及风向、动物运动方向和波浪方向的应用中找到。为了分析这样的数据，我们需要在位置s和时间t的观测模型，作为所谓的地质统计模型，提供假设在距离和时间上衰减的结构化依赖性。我们采用的方法从定义为空间和时间上的线性变量的高斯过程开始。然后，我们使用包裹或投影来获得圆形数据的处理。模型被铸造成分层的，在贝叶斯框架内拟合和推理。总而言之，这个包实现了一系列论文的工作;最相关的是Jona Lasinio，Gelfand和Jona Lasinio（2012）; Wang和Gelfand（2014）; Mastrantonio，Jona Lasinio和Gelfand（2016）。所有程序都是使用Rcpp编写的。估计值由MCMC获得，允许并行多个链运行。在研究论文中采用的简单例程上，所提出的模型的实现得到了很大的改进。作为原始运行的例子，对于空间和时空设置，我们使用意大利中部的风向数据集。
2020-01-02 stat.AP
intRinsic: an R Package for Model-Based Estimation of the Intrinsic Dimension of a Dataset
这篇文章介绍了intRinsic，一个R包，它实现了数据集内在维度的最先进的基于可能性的估计，这是大多数降维技术的基本数量。为了使这些新颖的估计器易于访问，该软件包包含少量的高级函数，这些函数依赖于更广泛的高效低级例程。一般来说，intRinsic包含两类模型：同质和异质内在维度估计。第一类包含两个最近邻估计量，这是一种从每个数据点与其前两个最近邻之间的距离之比的分布特性导出的方法。专用于此方法的函数在频率论和贝叶斯框架下进行推理。在第二类中，我们发现了异构本征维算法，这是一种贝叶斯混合模型，并为其实现了高效的吉布斯采样器。在介绍了理论背景之后，我们在模拟数据集上展示了模型的性能。这样，我们可以通过立即评估结果的有效性来促进说明。然后，我们使用该软件包来研究从一个著名的微阵列实验中获得的Alon数据集的内在维数。最后，我们展示了如何估计同质和异质的内在维度，使我们能够获得有价值的见解的数据集的拓扑结构。
2023-02-23 stat.CO stat.ME
BCEA: An R Package for Cost-Effectiveness Analysis
我们详细描述了如何使用R包$\textbf{BCEA}$（贝叶斯成本效益分析）进行卫生经济成本效益分析（CEA）。CEA包括将干预措施的成本和健康后果相结合的分析方法。这些有助于了解与替代干预措施（如控制或现状）相比，干预措施可能花费多少（每单位健康收益）。就资源分配而言，决策者可能希望知道某项干预措施是否节省费用，如果不是，那么与不太有效的干预措施相比，实施该措施的费用要高出多少。目前的成本效益分析指南提倡量化不确定性，这些不确定性可以通过从概率敏感性分析或更有效的贝叶斯模型中获得的随机样本来表示。$\textbf{BCEA}$可用于对抽样成本和健康影响进行后处理，以执行高级分析，生成标准化和高度可定制的输出。我们介绍了该软件包的特点，包括它的许多功能及其实际应用。$\textbf{BCEA}$对于在卫生经济建模领域工作的统计学家和从业者来说非常有价值，他们希望简化和简化工作流程，例如准备支持上市许可的档案或学术和科学出版物。
2022-03-18 stat.AP stat.CO
BayesBinMix: an R Package for Model Based Clustering of Multivariate Binary Data
BayesBinMix软件包提供了一个贝叶斯框架，用于通过拟合具有未知数量分量的多元伯努利分布的混合物，对包含或不包含缺失值的二进制数据进行聚类。它允许使用马尔可夫链蒙特卡罗抽样的聚类数和模型参数的联合估计。加热链并行运行，加速收敛到目标后验分布。可识别性问题通过实现标签交换算法来解决。该软件包被证明和基准对期望最大化算法使用模拟研究，以及一个真正的数据集。
2017-04-03 stat.CO
ROCnReg: An R Package for Receiver Operating Characteristic Curve Inference with and without Covariate Information
受试者工作特征（ROC）曲线是最常用的工具，用于评估在区分两种替代疾病状态（例如，患病和未患病）时在连续标度上测量的诊断测试/生物标志物的区分能力。在某些情况下，测试的性能和它的区分能力可能会有所不同，根据受试者的具体特点或不同的测试设置。在这种情况下，需要特定于信息的准确性测量，例如协变量特定和协变量调整的ROC曲线，因为忽略协变量信息可能会导致偏倚或错误的结果。本文介绍了R软件包ROCnReg，它允许通过不同的方法，从（半）参数和非参数的角度以及贝叶斯和频率主义范式估计合并（未调整）ROC曲线，协变量特定ROC曲线和协变量调整的ROC曲线。从估计的ROC曲线（合并的、协变量特异性的或协变量调整的），可以获得几个准确性的汇总测量，例如ROC曲线下的（部分）面积和Youden指数。该软件包还提供了使用几个标准（即，约登指数标准和为假阳性分数设置目标值的标准）来获得基于ROC的最佳阈值的功能。对于贝叶斯方法，我们提供了通过后验预测检查评估模型拟合的工具，而模型选择可以通过几个信息标准进行。为所有方法提供数值和图形输出。该软件包是通过内分泌研究的数据分析，其目的是评估身体质量指数的能力，以检测是否存在心血管疾病的风险因素。该软件包可在https://CRAN.R-project.org/package=ROCnReg上从CRAN获得。
2021-03-19 stat.AP stat.CO stat.ME
reslr: An R package for relative sea level modelling
本文介绍R包reslr，提供统一框架进行相对海平面数据的贝叶斯建模，支持多种统计模型、多维度测量误差处理及带不确定性的曲线导数计算，并附北美大西洋沿岸示例数据集。
2023-06-19 stat.AP
lsirm12pl: An R package for latent space item response modeling
本文介绍R包lsirm12pl，实现潜空间项目反应模型的贝叶斯估计及其扩展，支持多种数据类型与缺失处理，并提供聚类、汇总和绘图等功能以增强模型解释。
2025-03-08 stat.CO stat.ME
Computationally Efficient Simulation of Queues: The R Package queuecomputer
大型的嵌入式系统网络模拟了重要的现实世界系统，如MapReduce集群、Web服务器、医院、呼叫中心和机场客运终端。为了精确地模拟这样的系统，我们必须从数据中推断出相关参数。不幸的是，对于许多神经网络来说，没有明确的方法从数据中进行参数推断。如果我们能够足够快地模拟数据，近似贝叶斯计算可以提供一种直接的方法来推断这种网络的参数。我们提出了一种计算效率高的方法，从一个非常一般的一组嵌入式网络与R包嵌入式计算机进行模拟。相对于流行的DES包simmer和simpy，观察到超过2个数量级的显着加速。我们复制这些包的输出以验证包。该包是模块化的，并与流行的R包dapr很好地集成。使用这两个软件包可以轻松构建具有串联、并行和分叉/连接拓扑的复杂网络。我们将通过两个示例展示如何使用此包：呼叫中心和机场航站楼。
2019-03-06 math.OC stat.CO
Applying the Weibull Shape Parameter test for signal detection in pharmacovigilance using the R package WSPsignal
Biostatistics and Medical Biometry, Medical School OWL, Bielefeld University（比勒费尔德大学OWL医学院生物统计与医学生物计量学）；School of Public Health, Bielefeld University（比勒费尔德大学公共卫生学院）；Department of Business Administration and Economics, Bielefeld University（比勒费尔德大学工商管理经济学系）
提出Weibull形状参数检验家族用于药物警戒信号检测，开发R包WSPsignal集成多种估计方法和分布，支持默认与仿真调优，通过大样本和小样本示例展示功能。
2026-06-18 stat.AP stat.ME
Bayesian structure learning and sampling of Bayesian networks with the R package BiDAG
R包BiDAG实现了马尔可夫链蒙特卡罗（MCMC）方法，用于贝叶斯网络的结构学习和采样。该软件包包括搜索最大后验（MAP）图和从给定数据的后验分布中采样图的工具。一种新的混合结构学习方法可以在大型图中进行推理。在第一步中，我们通过PC算法或基于先验知识定义一个缩减的搜索空间。在第二步中，迭代顺序MCMC方案进行优化的限制搜索空间内，估计MAP图。从后验分布采样是使用顺序或分区MCMC。模型和算法可以处理离散和连续数据。BiDAG包还提供了MCMC方案的实现，用于动态贝叶斯网络的结构学习和采样。
2021-05-02 stat.CO stat.ML
SMAC3: A Versatile Bayesian Optimization Package for Hyperparameter Optimization
Leibniz University Hannover（莱布尼茨汉诺威大学）；University of Freiburg（弗莱堡大学）；Bosch Center for Artificial Intelligence（博世人工智能中心）
算法参数，特别是机器学习算法的超参数，可以显著影响它们的性能。为了支持用户为其算法、数据集和应用程序确定性能良好的超参数配置，SMAC3为贝叶斯优化提供了一个强大而灵活的框架，可以在几次评估中提高性能。它为典型用例提供了几个外观和预设，例如优化超参数，解决低维连续（人工）全局优化问题，以及配置算法以在多个问题实例中表现良好。SMAC3软件包可以在https://github.com/automl/SMAC3上获得许可的BSD许可证。
2022-02-08 cs.LG stat.ML
BSL: An R Package for Efficient Parameter Estimation for Simulation-Based Models via Bayesian Synthetic Likelihood
贝叶斯合成似然（Bayesian synthetic似然函数，BSL）是一种用于估计复杂统计模型和随机过程的参数后验分布的常用方法。BSL通过模型模拟和密度估计来近似一个明智选择的数据汇总统计量的可能性，而不是评估可能性。与近似贝叶斯计算（ABC）等替代方法相比，当所选汇总统计量为高维时，BSL需要很少的调整，并且需要比ABC更少的模型模拟。原始的合成似然依赖于一个多元正态近似的棘手的可能性，其中的平均值和协方差估计模拟。BSL的扩展考虑用惩罚协方差估计量替换样本协方差，以减少所需模型模拟的数量。此外，半参数方法已被开发来放松正态性假设。在本文中，我们提出了一个名为BSL的R包，它将上述方法合并到一个单一的，易于使用的和连贯的软件中。R包还包括几个示例来说明如何使用该包并演示方法的实用性。
2019-07-25 stat.AP stat.CO stat.ML
bartMachine: Machine Learning with Bayesian Additive Regression Trees
我们在R中提出了一个新的包，实现了贝叶斯加性回归树（BART）。该软件包引入了许多新的功能，数据分析使用BART，如变量选择，相互作用检测，模型诊断图，纳入缺失数据和能力，以保存树为未来的预测。它比当前的R实现快得多，并行化，并且能够处理大样本量和高维数据。
2014-11-24 cs.LG stat.ML
Learning Large-Scale Bayesian Networks with the sparsebn Package
University of California Los Angeles（加州大学洛杉矶分校）
从数据中学习图形模型是一个重要的问题，具有广泛的应用，从基因组学到社会科学。如今的数据集通常有上千个--有时是数万或数十万个--变量和更少的样本。为了应对这一挑战，我们开发了一个新的R包，称为sparsebn，用于学习大型稀疏图形模型的结构，重点是贝叶斯网络。虽然有许多现有的软件包用于此任务，但此软件包侧重于从高维数据中学习大型网络的独特设置，可能需要干预。因此，所提供的方法在高维环境中重视可伸缩性和一致性。此外，在存在干预措施的情况下，这里实施的方法实现了从数据中学习因果网络的目标。此外，sparsebn软件包与现有的网络分析软件包完全兼容。
2018-03-10 cs.LG stat.CO stat.ME
elhmc: An R Package for Hamiltonian Monte Carlo Sampling in Bayesian Empirical Likelihood
在这篇文章中，我们描述了一个{ \tt R}包，用于使用哈密顿蒙特卡罗方法从基于经验似然的后验中进行采样。经验似然为基础的方法已被用于贝叶斯建模的许多问题的兴趣在最近的时间。这种半参数方法可以很容易地将非参数分布估计的灵活性与参数模型的可解释性结合起来。该模型通过估计基于方程的约束来指定。从贝叶斯经验似然（Bayesel）后验中得出推论是具有挑战性的。可能性是数值计算的，因此不存在后验的封闭表达式。此外，对于有限样本，似然的支持度是非凸的，这阻碍了许多马尔可夫链蒙特卡罗（MCMC）方法的快速混合。最近的研究表明，利用对数经验似然的梯度性质，可以设计一种有效的哈密顿蒙特卡罗（HMC）算法来从贝叶斯后验中进行采样。该软件包要求用户仅指定估计方程、先验和它们各自的梯度。从参数的贝叶斯后验中提取MCMC样本，并获得用户所需的各种细节。
2022-09-02 stat.CO stat.ML stat.OT
SoftBart: Soft Bayesian Additive Regression Trees
贝叶斯加性回归树（BART）模型作为一种通用的非参数建模技术，近年来受到越来越多的关注。BART将现代机器学习技术的灵活性与贝叶斯推断的原则性不确定性量化相结合，它已被证明是唯一适合解决许多科学领域（包括医学和社会科学）中常见的高噪声问题的方法。本文介绍了用于拟合Linero和Yang（2018）的Soft BART算法的SoftBart包。除了改进其他BART软件包的预测性能外，该软件包的主要目标是促进将BART纳入更大的模型中，使其成为贝叶斯统计研究人员的理想选择。我展示了如何使用这个包进行标准预测任务，以及如何将BART模型嵌入到更大的模型中;我通过使用SoftBart实现非参数概率单位回归模型、半参数变系数模型和部分线性模型来说明。
2022-10-28 stat.CO stat.ME stat.ML
BCDAG: An R package for Bayesian structure and Causal learning of Gaussian DAGs
Università Cattolica del Sacro Cuore（天主教圣心大学）；Università degli Studi di Milano-Bicocca（米兰比可卡大学）
有向无环图（DAG）提供了一个强大的框架来模拟多变量环境中变量之间的因果关系;此外，通过do-calculus理论，它们允许从纯观测数据中识别和估计变量之间的因果关系。在这种情况下，从数据中推断DAG结构的过程被称为因果结构学习或因果发现。我们介绍了BCDAG，一个用于贝叶斯因果发现和高斯观测数据因果效应估计的R包，实现了Castelletti和Mascaro（2021）提出的马尔可夫链蒙特卡罗（MCMC）方案。我们的实现可以有效地扩展观测的数量，并且只要DAG足够稀疏，就可以扩展数据集中的变量数量。该软件包还提供了收敛诊断和可视化和总结后验推理的功能。在本文中，我们提出了基本方法的主要特点，以及其在BCDAG中的实现。然后，我们说明了真实和模拟数据集上的主要功能和算法。
2022-01-28 cs.LG stat.ME stat.ML
NUBO: A Transparent Python Package for Bayesian Optimization
Newcastle University（新castle大学）；Queen’s University Belfast（女王大学贝尔法斯特）
NUBO是一个用于优化昂贵评估的黑盒函数的贝叶斯优化框架，强调透明性和用户体验，提供模块化设计和易用语法，支持多种优化模式。
2026-04-28 cs.LG cs.MS stat.ML
FBMS: An R Package for Flexible Bayesian Model Selection and Model Averaging
Stockholm University（斯德哥尔摩大学）；University of Oslo（奥斯陆大学）；NMBU（挪威生命科学大学）
本研究推出R包FBMS，核心采用高效MJMCMC算法优化贝叶斯广义线性模型的多峰后验混合，还提供GMJMCMC算法支持非线性特征生成与贝叶斯广义非线性模型估计，可适配多种复杂回归建模场景。
2025-08-31 cs.LG stat.AP stat.CO
bamlss: A Lego Toolbox for Flexible Bayesian Regression (and Beyond)
Universität Innsbruck（因斯布鲁克大学）
本文推出R语言包bamlss，以模块化乐高积木式设计整合分布、回归项、估计器等组件，支持灵活的贝叶斯加性模型构建与高效推断，填补了相关软件的功能空白。
2019-09-25 cs.LG stat.CO stat.ME
