回顧以 lm() 進行的傳統（頻率學派）迴歸、介紹使用 stan_glm() 的貝葉斯迴歸，並比較兩者的輸出結果。

非貝葉斯線性迴歸

探索資料

配適常見的線性迴歸

貝葉斯線性迴歸

擬合一個貝氏線性迴歸

收斂判準

評估模型收斂

比較頻率學派與貝葉斯方法

古典與貝葉斯的差異

建立可信區間

貝葉斯線性模型入門

學習如何調整你的貝葉斯模型，包括變更鏈（chains）的數量與長度、修改先驗分佈，以及加入解釋變數（predictors）。

Bayesian 模型包含哪些要素？

調整鏈（chains）

迭代次數夠多了嗎？

先驗分佈

判定先驗分配

計算調整後尺度

未調整的先驗

自訂先驗分佈

變更先驗

設定具資訊性的先驗

具資訊先驗的影響

調整估計流程

調整估計設定

調整貝葉斯模型

在本章中，我們將學習如何判斷估計出的模型是否適合資料，並比較彼此競爭的模型。

使用 R Squared 統計量

計算傳統統計的 R-squared

Bayesian 模型的 R-squared

事後預測模型檢查

預測分數分佈

單一觀測值的分佈

使用後驗預測檢查評估模型擬合

R-squared 後驗分佈

後驗預測檢定

比較 Bayesian 模型

計算 LOO 估計值

比較模型

評估模型擬合度

在本章中，我們將學習如何使用估計出的模型來建立模型視覺化，並對新的資料做出預測。

視覺化 Bayesian 模型

繪製 Bayesian 模型

繪製模型的不確定性

進行預測

觀察到歌曲的熱門度

新歌的熱門程度

視覺化預測

格式化預測的後驗分佈

視覺化新的預測結果

結語

呈現並應用貝葉斯迴歸

Spotify dataset

貝葉斯估計提供了相較於依賴 p 值推論的方法更具彈性的替代方案。在本課程中，你將學習如何使用貝葉斯方法與 rstanarm 套件來估計線性迴歸模型。你會認識先驗分佈、後驗預測模型檢查，以及在貝葉斯架構下的模型比較。你也會學到如何使用估計出的模型，為新的資料進行預測。

Bayesian Modeling with RJAGS

Introduction to Data Visualization with ggplot2

Intermediate Regression in R

學習如何利用貝葉斯估計方法來更好地推斷線性迴歸模型。

使用 rstanarm 的貝葉斯迴歸建模

掌握如何運用 Bayesian estimation 方法，提升對線性回歸模型的推論能力。

機器學習科學家 在 R 中

古典與貝葉斯的差異

使用 rstanarm 的貝葉斯迴歸建模

動手互動練習