“本书提供了有关最新现代贝叶斯统计方法的重要题材，文笔流畅，语言优美，其突出的特点是包括大量实际应用，涉及若干领域中AIC和BIC模型选择标准的运用和对比，通过效用理论以独特方式处理贝叶斯决策论，并论述了贝叶斯过程的频度特性，配备了可以扩展与加深书中内容的有趣和适中的自学练习。”
——Michael J. Evans, Mathematical Review
“以严密、纯熟的文笔介绍贝叶斯建模的基本原则，选材深思熟虑，按照研究生层次引入贝叶斯方法。”
——Journal of the American Statistical Association
贝叶斯“后验分布”或“预测分布”是对有关未知参或未来观测所需了解的每项事物的概括。本书以一种强有力和贴切的方式说明了如何运用贝叶斯统计技术，引导读者从具体数据中推测有关科学、医疗与社会问题的结论。本书解释了贝叶斯方法论所需的一些细微假设，并展示了如何运用这些假设去获取准确结论。本书所介绍的各种方法对计算机模拟的频度特性方面也非常适用。
本书生动地概述了有关费希尔方法 (频度方法) ，同时全面强调了似然性，适合作为主流统计学的教程。本书讲述了效用理论的进展以及时间序列和预测，从而也适合计量经济学的学生阅读。另外，本书还包括线性模型、范畴数据分析、生存竞争分析、随机效应模型和非线性平滑等内容。
本书提供了许多运行实例、自学练习和实际应用，可作为高年级本科生和研究生的教材，同时也可供其他交叉学科的研究人员阅读。
无
Thomas Leonard, John S.Hsu：Thomas Leonard: 于1973年在伦敦大学获得统计学博士学位。他曾在沃里克大学工作过，于1995年担任爱丁堡大学统计学系主席，还曾做过威斯康星-麦迪逊大学统计学教授。20世纪80年代，他最早将拉普拉斯算子引入到贝叶斯方法中。他发表了多篇有关统计学应用方面的论文，并作为统计学专家参与过多个美国法律诉讼案件。
John S.Hsu: 加州大学圣芭芭拉分校统计学与应用概率论副教授、统计实验室主任，擅长研究应用问题，还建立了贝叶斯理论研究计划。由于在log-线性模型分析方面的贡献，他获得了爱丁堡大学的名誉职位。在Thomas Leonard和Kam-Wah Tsui的指导下，他于1990年在威斯康星-麦迪逊大学获得统计学博士学位。
1. Introductory statistical concepts;
2. The discrete version of Bayes’ theorem;
3. Models with a single unknown parameter;
4. The expected utility hypothesis and its alternatives;
5. Models with several unknown parameters;
6. Prior structures, posterior smoothing, and Bayes-Stein estimation;
