http://cran.r-project.org/web/views/Bayesian.html
==========一般模型==================
arm包: 包括使用lm,glm,mer,polr等对象进行贝叶斯推断的R函数
BACCO: 随机函数的贝叶斯分析. 包含3个子包: emulator, calibrator, and approximator, 进行贝叶斯估计和评价计算机程序.
bayesm: 市场与微经济分析模型的许多贝叶斯推断函数. 模型包括线性回归, 多项式logit, 多项式probit, 多元probit, 多元混合normals(包括聚类), 密度估计-使用有限混合正态模型与Dirichlet先验过程, 层次线性模型, 层次多元logit, 层次负二项回归模型, 线性工具变量模型(linear instrumental variable models).
bayesSurv: 生存回归模型的贝叶斯推断.
DPpackage: 贝叶斯非参数和半参数模型. 现在还包括密度估计, ROC曲线分析, 区间一致数据, 二项回归模型, 广义线性模型和IRT类型模型的半参数方法.
MCMCpack: 特定模型的MCMC模拟算法, 广泛用于社会和行为科学. 拟合很多回归模型的R函数. 生态学模型推断. 还包括一个广义Metropolis采样器, 适合任何模型.
mcmc: 随机行走Metropolis算法, 对于连续随机向量.
==========特殊模型和方法=============
AdMit: 拟合适应性混合t分布拟合目标密度使用核函数.
bark: 实现(Bayesian Additive Regression Kernels)
BayHaz: 贝叶斯估计smooth hazard rates, 通过 Compound Poisson Process (CPP) 先验概率.
bayesGARCH: 贝叶斯估计 GARCH(1,1) 模型, 使用t分布.
BAYSTAR: 贝叶斯估计 threshold autoregressive modelsBayesTree: implements BART (Bayesian Additive Regression Trees) by Chipman, George, and McCulloch (2006).
BCE: 从生物注释数据中估计分类信息.
bcp: a Bayesian analysis of changepoint problem using the Barry and Hartigan product partition model.
BMA:BPHO: 贝叶斯预测高阶相互作用, 使用slice 采样技术.
bqtl: 拟合 quantitative trait loci (QTL) 模型.可以估计多基因模型, 使用拉普拉斯近似. 基因座内部映射(interval mapping of genetic loci).
bim: 贝叶斯内部映射, 使用MCMC方法.
bspec: 时间序列的离散功率谱贝叶斯分析
cslogistic: 条件特定的logistic回归模型(conditionally specified logistic regression model)的贝叶斯分析.
deal: 逆运算网络分析: 当前版本覆盖离散和连续的变量, 在正态分布下.
dlm: 贝叶斯与似然分析动态信息模型. 包括卡尔曼滤波器和平滑器的计算, 前向滤波后向采样算法.
EbayesThresh: thresholding methods 的贝叶斯估计. 尽管最初的模型是在小波下开发的, 当参数集是稀疏的, 用户也可以受益.
eco: 使用MCMC方法拟合贝叶斯生态学推断 in two by two tablesevdbayes: 极值模型的贝叶斯分析.
exactLoglinTest: log-linear models 优度拟合检验的条件P值的MCMC估计.
HI: transdimensional MCMC 方法几何途径, 和随机多元 Adaptive Rejection Metropolis Sampling.
G1DBN: 动态贝叶斯网络推断.Hmisc内的gbayes()函数, 当先验和似然都是正态分布, 导出后验(且最优)分布, 且当统计量来自2-样本问题.geoR包的krige.bayes()函数地理统计数据的贝叶斯推断, 允许不同层次的模型参数的不确定性. geoRglm 包的 binom.krige.bayes() 函数进行贝叶斯后验模拟, 二项空间模型的空间预测.
MasterBayes: MCMC方法整合家谱数据(由分子和形态数据得来的)lme4包的mcmcsamp()函数信息混合模型和广义信息混合模型采样.
lmm: 拟合信息混合模型, 使用MCMC方法.
MNP: 多项式probit模型, 使用MCMC方法.
MSBVAR: 估计贝叶斯向量自回归模型和贝叶斯结构向量自回归模型.
pscl: 拟合 item-response theory 模型, 使用MCMC方法, 且计算beta分布和逆gamma分布的最高密度区域
RJaCGH: CGH微芯片的贝叶斯分析, 使用hidden Markov chain models. 正态数目的选择根据后验概率, 使用 reversible jump Markov chain Monte Carlo Methods 计算.
sna: 社会网络分析, 包含函数用于从Butt's贝叶斯网络精确模型, 使用MCMC方法产生后验样本.
tgp: 实现贝叶斯 treed 高斯过程模型: 一个空间模型和回归包提供完全的贝叶斯MCMC后验推断, 对于从简单线性模型到非平稳treed高斯过程等都适合.
Umacs: Gibbs采样和Metropolis algorithm的贝叶斯推断.
vabaye1Mix: 高斯混合模型的贝叶斯推断, 使用多种方法.
=========Post-estimation tools=====
BayesValidate: 实现了对贝叶斯软件评估的方法.
boa: MCMC序列的诊断, 描述分析与可视化. 导入BUGS格式的绘图. 并提供 Gelman and Rubin, Geweke, Heidelberger and Welch, and Raftery and Lewis 诊断. Brooks and Gelman 多元收缩因子.
coda: (Convergence Diagnosis and Output Analysis) MCMC的收敛性分析, 绘图等. 可以轻松导入 WinBUGS, OpenBUGS, and JAGS 软件的MCMC输出. 亦包括 Gelman and Rubin, Geweke, Heidelberger and Welch, and Raftery and Lewis 诊断.
mcgibbsit: 提供 Warnes and Raftery MCGibbsit MCMC 诊断. 作用于mcmc对象上面.
ramps: 高斯过程的贝叶斯几何分析, 使用重新参数化和边际化的后验采样算法.
rv: 基于模拟的随机变量类, 后验模拟对象可以方便的作为随机变量来处理.
scapeMCMC: 处理年龄和时间结构的人群模型贝叶斯工具. 提供多种MCMC诊断图形, 可以方便的修改参数
===========学习贝叶斯的包===================
BaM: Jeff Gill's book, "Bayesian Methods: A Social and Behavioral Sciences Approach, Second Edition" (CRC Press, 2007). 伴随的包
Bolstad: 此书的包. Introduction to Bayesian Statistics, by Bolstad, W.M. (2007). 的包
LearnBayes: 学习贝叶斯推断的很多的函数. 包括1个,2个参数后验分布和预测分布, MCMC算法来描述分析用户定义的后验分布. 亦包括回归模型, 层次模型. 贝叶斯检验, Gibbs采样的实例.
========其它软件与R的接口==========
bayesmix: JAGS 软件, 贝叶斯混合模型.
BRugs: windows 系统下的 OpenBUGS 接口.R2WinBUGS 提供windows和linux的 WinBUGS 的接口.
rbugs: 支持 OpenBUGS 的linux接口(LinBUGS)rjags, R2jags, and runjags: 都提供 Just Another Gibbs Sampler (JAGS) 接口gR: BUGS引擎的图形接口部分.