積分嵌套拉普拉斯近似（Integrated Nested Laplace Approximation，INLA）是一種新的近似貝葉斯計算方法，相比傳統(tǒng)的馬爾可夫鏈蒙特卡羅（MCMC）方法，它可以高效地擬合多種貝葉斯模型。INLA旨在解決潛在高斯馬爾可夫隨機(jī)場模型參數(shù)的邊際推斷，利用模型中潛在變量的條件獨立性來提高計算速度。 《基于INLA的貝葉斯推斷》提供了便于實施模型擬合的R包及其使用指南。本書介紹了INLA算法的基本原理以及如何用與其相關(guān)的R包擬合一大類模型，涵蓋的主題包括混合效應(yīng)模型、多層次模型、空間和時間模型、平滑方法、生存分析、缺失值的插補(bǔ)，以及混合模型。本書討論了INLA包的高級功能以及如何擴(kuò)展先驗和INLA包中可用的潛在模型。書中的所有例子都是完全可復(fù)現(xiàn)的，數(shù)據(jù)集和R代碼可通過掃描封底二維碼獲得。 這本書的例子涵蓋了生物統(tǒng)計學(xué)、計量經(jīng)濟(jì)學(xué)、教育、環(huán)境科學(xué)、流行病學(xué)、公共衛(wèi)生和社會科學(xué)等主題。這將有助于來自不同領(lǐng)域、在貝葉斯推理方面有一定背景的研究人員，應(yīng)用INLA方法解決他們工作中遇到的問題。