"貝葉斯方法因其靈活性且可以輕松地將相關(guān)性和層次結(jié)構(gòu)正式納入數(shù)據(jù)中，所以對包括空間和時間信息在內(nèi)的大型數(shù)據(jù)集建模尤為有效。然而，其所依賴的諸如馬爾可夫鏈蒙特卡羅(MCMC)等經(jīng)典模擬方法在計算上會使之變得不可行；本書所介紹的積分嵌套拉普拉斯近似（INLA）方法則可作為一種計算有效且強有力的MCMC的替代方法。 本書介紹了貝葉斯方法的基本范式，并闡述了相關(guān)的計算問題;詳細(xì)介紹了 INLA 方法和 R-INLA 軟件包背后的理論，并把重點聚焦在區(qū)域和點參考數(shù)據(jù)的空間和時空建模上。 全書將詳細(xì)的理論和實際數(shù)據(jù)分析相結(jié)合，對任何水平的讀者都會大有裨益。所有示例都提供基于R-INLA的代碼，其數(shù)據(jù)集可在INLA 網(wǎng)站獲得，這對于想了解INLA 方法或提高其實踐能力的應(yīng)用研究人員來說，是一個極具吸引力的特點。"