序
1. はじめに
　1.1 ベイジアン推測の目的と方法
　1.2 代表的な確率分布
2. ベイジアン
　2.1 Bayes の定理
　　2.1.1 単純事象へのBayes の定理
　　2.1.2 仮説検定へのBayes の定理
　　2.1.3 推測へのBayes の定理
　2.2 統計的推測
　　2.2.1 二値データ
　　2.2.2 正規分布にしたがうデータ
　　2.2.3 Poisson 分布にしたがうデータ
　　2.2.4 条件付き独立と交換可能性
　2.3 事後分布
　2.4 事前分布
　　2.4.1 事前分布のサンプルサイズ
　　2.4.2 情報がある事前分布
　　2.4.3 無情報事前分布
　2.5 階層的モデル
　　2.5.1 交換可能性
　　2.5.2 事前分布
　2.6 予測
　2.7 モデルの適合度と感度分析
　2.8 ベイジアンの流派
　2.9 ベイジアン統計解析を適切に報告するためのガイドライン
3. マルコフ連鎖モンテカルロ法
　3.1 モンテカルロ積分
　3.2 マルコフ連鎖
　3.3 Metropolis–Hastings アルゴリズム
　3.4 単一成分Metropolis–Hastings アルゴリズム
　3.5 Gibbs サンプリング
　3.6 欠測データの補完
　3.7 収束診断
　3.8 適用環境
4. WinBUGS
　4.1 はじめに
　　4.1.1 始める用意
　4.2 チュートリアル
　　4.2.1 BUGS 言語でのモデル指定
　　4.2.2 プログラムを実行するには
　　4.2.3 収束の診断
　　4.2.4 サンプルサイズ——連鎖の繰り返し数
　　4.2.5 事後分布の要約
　4.3 モデルの書き方
　　4.3.1 言語
　　4.3.2 データ
　　4.3.3 初期値
　4.4 プログラムを実行する
　　4.4.1 スクリプトの利用
　　4.4.2 Model のメニュー
　　4.4.3 エラーメッセージとトラブルシューティン
　4.5 結果の解釈のツール
　　4.5.1 モデルの視覚的チェック
　　4.5.2 解析結果を他の統計パッケージで使用する方法
　4.6 連鎖が収束しない例
　　4.6.1 連鎖の収束を改善させるためのこつ
　　4.6.2 初期値の影響
　　4.6.3 共変量のセンタリング
　　4.6.4 自己相関が高い場合——Over-relaxation algorithm
　　4.6.5 不適切な事前分布の影響
　　4.6.6 パラメータ化のまずい例：変化点問題
5. 応用例
　5.1 事前分布の設定について
　5.2 一変量正規分布モデル
　5.3 回帰モデル
　　5.3.1 正規線形回帰モデル
　　5.3.2 二値回帰モデル
　　5.3.3 多項回帰モデル
　5.4 階層的モデル
　　5.4.1 正規–正規モデル
　　5.4.2 Poisson–gamma モデル
　　5.4.3 多変量モデル
　5.5 経時的繰り返し測定データのモデル
　　5.5.1 Poisson 回帰モデル
　5.6 生存時間解析
　　5.6.1 対数ロジスティックモデル
　　5.6.2 Weibull 回帰モデル
　5.7 潜在クラスモデル
　5.8 混合分布モデル
　5.9 間接的な比較研究
　5.10 個人内比較試験
　5.11 メタ・アナリシス
　　5.11.1 正規分布にしたがうデータ
　　5.11.2 Poisson 分布にしたがうデータ
　5.12 費用対効果分析
　5.13 欠測データ，欠測値
　　5.13.1 共変量に欠測データがある例
　　5.13.2 結果変数に欠測データがある例
　5.14 コンプライアンス
　5.15 測定誤差
　　5.15.1 Berkson モデル
　　5.15.2 後ろ向きサンプリングモデル
　5.16 ランキング
　5.17 用量反応モデル
　5.18 条件付きロジスティック回帰モデル
　5.19 対数オッズ比回帰モデル
　5.20 疾病地図の階層的モデル
　　5.20.1 SMR の再考
　　5.20.2 Poisson–gamma モデル
　　5.20.3 対数–正規モデル
　　5.20.4 空間相関を考慮したCAR モデル
付録
文献
索引