Bayesvl包：实现和可视化贝叶斯统计的R包

软件X 20（2022）101245原始软件出版物Bayesvl包：一个用于实现和可视化贝叶斯统计的R包Viet-Chong Laa，b，Quan-Hoang Vuonga，Trung Tranc，Minh-Hoang Nguyena，b，Manh-Tung Hoa，b，Manh-Toan Hoa，b，a越南河内河东区延义区Phenikaa大学跨学科社会研究中心，邮编：100803b社会数据实验室AI，Vuong Associates，3/161 Thinh Quang，Dong Da District，Hanoi，100000，Viet Namc越南少数民族学院，河内100000，越南ar t i cl e i nf o文章历史记录：接收5三月2020收到修订版2022年9月30日接受2022年数据集链接：https：//doi。或g/10。1162/dint_a_0091关键词：贝叶斯分析有向无环图关系树a b st ra ctBayesvlR包使用Stan's no-U-turn sampler（NUTS）实现贝叶斯分析Bayesvl软件包对其他开发的软件包和软件进行贝叶斯分析的两个突出功能是“关系树”构建协议和以图形方式可视化估计后验的能力。“关系树”构建协议受到贝叶斯网络方法的启发，该方法通过有向无环图（DAG）来在构造“关系树”后Bayesvl软件包具有两个显著的特点，©2022作者（S）。由爱思唯尔公司出版这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）中找到。代码元数据当前代码版本v0.9.5永久链接到代码/存储库使用此代码版本https://github.com/ElsevierSoftwareX/SOFTX_2020_81法律代码许可证GPL v3代码版本控制系统使用Git软件代码语言R编译要求，操作环境依赖R（>= 3.4.0），rstan（>= 2.10.0），StanHeaders（>= 2.18.0），统计，图形，方法如果可用，链接到开发人员文档/手册CRAN：https://cran.r-project.org/web/packages/bayesvl/bayesvl.pdf用户指南：https://doi.org/10.31219/osf.io/w5dx6问题支持电子邮件lvphuong@gmail.com软件元数据当前软件版本v0.9.5此版本可执行文件的永久链接GitHub：https://github.com/sshpa/bayesvl法律软件许可证GPL v3计算平台/操作系统OS X，Microsoft Windows安装要求依赖性R（≥3.4.0）、rstan（≥2.10.0）、StanHeaders（≥2.18.0）、统计数据、图形、方法如果可用，请链接到用户手册-如果正式发布，请包括C R A N 的参考：https://cran.r-project.org/web/packages/bayesvl/bayesvl.pdf参考列表中的出版物用户指南：https://doi.org/10.31219/osf.io/w5dx6问题支持电子邮件lvphuong@gmail.com对应作者地点：中心为跨学科社会研究，Phenikaa大学，Yen Nghia Ward，Ha Dong District，Hanoi 100803，Viet Nam。电子邮件地址：toan. phenikaa-uni.edu.vn（Manh-Toan Ho）.https://doi.org/10.1016/j.softx.2022.1012452352-7110/©2022作者。 由Elsevier B.V.出版。这是一篇开放获取的文章，使用CC BY许可证（http://creativecommons.org/licenses/by/4.0/）。可在ScienceDirect上获得目录列表SoftwareX期刊主页：www.elsevier.com/locate/softxViet-Hoang La，Quan-Hoang Vuong，Trung Tran等.软件X 20（2022）10124521. 介绍在过去的几十年里，贝叶斯推理并没有广泛应用于实际研究中，这是由于其在估计后验时的复杂性，尽管其优于频率论推理（例如，概率地处理所有的未知量，科学家在估计之前进入模型）[1尽管如此，最近马尔可夫链蒙特卡罗（MCMC）算法的发展和计算能力的快速提高使得贝叶斯推理在各个学科中更具吸引力[1，3本文的目的是，因此，提供了一个概述的贝叶斯R包，替代贝叶斯多层次分析，其中估计结果以图形方式可视化，并通过“关系树”，而不是传统的数学公式构建模型本文共分五个部分。第一部分是对本文的简要介绍。第二部分总结了用于贝叶斯多水平分析的最常见的包和程序在第三部分中，我们描述了一般信息、拟合过程、接下来，将演示如何使用该包的一个简单示例。最后，总结了该软件包的实用性，并提出了进一步改进的设想。2. 问题和背景自从WinBUGS软件首次开发以来，实现贝叶斯分析的程序和软件包的数量已经增加。OpenBUGS[8]、JAGS[9]、MCM- Cglmm[10]、Stan [11，12]、brms[13]、rethinking[14]和rstanarm[15]是最常见的例子。JAGS程序主要使用Gibbs抽样来估计贝叶斯多水平模型，而WinBUGS、OpenBUGS程序和MCMCMCglmmR包在某些情况下使用Metropolis-Hastings更新、Gibbs抽样甚至切片抽样的组合。相比之下，斯坦，一个软件写在C++语言编写，使用汉密尔顿蒙特卡罗（HMC）采样[16]及其扩展，用于MCMC模拟的无U形转弯采样器（NUTS）采样[17]。与Metropolis-Hasting和Gibbs算法相比，HMC和NUTS算法具有更快的收敛速度，特别是对于高维模型。因此，概率编程语言Stan已被集成到最近开发的R软件包中，用于使用MCMC模拟进行贝叶斯多级分析，如brms，rstanarm和rethinking。Bayesvl软件包是参考rsta- narm和rethinking以及其他阅读来源[18- 21 ]开发的，具有其独特的该软件包的创建是为了通过“关系树”的构建协议和强大的图形可视化能力来补充其他用于贝叶斯多水平分析的软件和软件包，以改善用户体验和教学效果下面的部分将解释bayesvl包对其他当前存在的包的补充的更彻底的细节总的来说，这篇文章的主要目的是提供一个关于bayesvl包的功能、贡献和实现方法的概述。3. Bayesvl R软件包3.1. 概述bayesvl是开源统计软件R的附加包[22]。该软件包提供了使用MCMC技术执行贝叶斯多级分析的功能，概率编程语言Stan基于ggplot2[23]和rstan构建，并受到通过有向无环图（DAG）说明模型的贝叶斯网络方法的启发，bayesvl包旨在通过自动构建回归模型并从相应的“关系树”生成Stan代码的能力来改善高等教育中的用户体验和教学效果。然后，用户可以使用概率程序设计语言Stan进行贝叶斯多层分析与MCMC技术。bayesvl包的当前版本是0.8.5，它包含近3000行代码，并采用Stan中的无U形转弯采样器（NUTS）进行模型拟合。该软件包可从CRANhttps://cran.r-project.org/web/packages/bayesvl/index.html 获 得 ， 并 可 从GitHub下载。该软件包的代码已在几个出版物中部分使用[243.2. 拟合过程贝叶斯模型拟合过程总结在图中。1.一、首先，由于bayesvl软件包结合了ggplot2生成醒目图形的能力和使用rstan的MCMC模拟模型后验的能力，因此需要同时安装bayesvl、ggplot2和rstan建议使用3.5.1版或更新版本的统计软件R进行分析。其次，在拟合模型之前，需要使用节点和连接路径构建“关系树”。“关系树”的构建协议在第3.3节中有详细的通过第三，bayesvl包提供了在rstan中为模型拟合自动生成Stan代码的功能。第四，在rstan返回结果后，bayesvl支持用户对模拟后牙进行可视化诊断。第五，模拟结果可以通过bayesvl中的多个函数进行汇总、绘图和比较。3.3. ‘‘Relationship tree’’Bayesvl的两个主要核心之一是“关系树”构造协议，它补充了模型构造过程中的传统数学公式。 构建“关系树”的想法受到贝叶斯网络方法的启发，该方法需要模型的可视化构建。贝叶斯网络中的模型通过从节点和弧创建的有向无环图（DAG）来说明。节点表示数学模型中的变量，而弧对应于一对变量之间的连接[28]。在bayesvl中，节点和弧可以分别通过使用函数bvl_addNode和bvl_addArc创建并添加到“关系树”中。当使用函数bvl_addNode创建节点时，一方面，对应变量的统计分布类型（正态分布- “norm”、二项式分布-“binom”、分类分布-“cat”）可以由用户设置。此外，函数bvl_addNode还提供了一个选项，用于为转换后的变量授予dummy或interaction属性，这些属性可用于构建复杂 的 模 型 。 dummy 和 interaction 属 性 可 以 分 别 由 内 置 选 项“dummy "和“trans'"调用。函数bvl_addArc有两个基本实用程序，用于定义两个节点之间的数学关系或回归关系。当从两个现有的Viet-Hoang La，Quan-Hoang Vuong，Trung Tran等.软件X 20（2022）1012453Fig. 1. 装配程序采用贝叶斯软件包。节点，新节点的值可以基于以下三个运算符生成：乘法为了设置两个节点之间的回归关系，Bayesvl集成了四个基本的统计模型：固定效应模型在四种统计模型中，随机截距模型总的来说，仅基于两个基本函数bvl_addNode和bvl_addArc，就可以构造“关系树”。如何构建“关系树”和实现贝叶斯多级分析的示例3.4. bayesvl软件包的贡献3.4.1. 用户体验科学家 们 不 仅 使 用 文 字 ， 而 且 依 靠 图 表 ， 图 表 ， 视频 ， 照 片 和 其 他 图 像 来 进 行 发 现 ， 解 释 发 现 ， 并 激发 公 众 的 兴 趣 。''[bayesvl软件包是一个用来提高用户创造力和意外发现可能性的软件。由于包含意外元素[29，30]，因此无法随意寻找偶然发现的时刻，但它可能受到几个因素的影响，其中包括信息可视化[31]。特别是从实用角度来看，可视化支持创造力的四种认知机制：重新解释，抽象，组合和映射[33]。上述四种机制中的三种（抽象、组合和映射）似乎通过“关系树”构造协议和引人注目的模拟结果可视化得到Bayesvlbayesvl包提高了模型构建阶段统计新手和专家的生产力、灵活性和直观性。传统上，模型通常在被转换成待估计的数学公式之前被视觉地设计。然而，通过“关系树”构建协议，可以切断将模型转换为数学公式的步骤。换句话说，构造用户 用数学公式来表示。除了提高用户的生产力、灵活性和直观性外，Bayesvl软件包还帮助研究人员通过生动的图形与更广泛的受众进行交流。在当前的计算时代，通过图形展示研究结果是与科学界内外的受众（来自不同学科的研究人员和公众）交谈的有效方式，这反过来又提高了科学的意识和影响力[37，38]。视觉交流在促进科学发展中的作用已变得不可避免，因为科学家越来越需要与公众进行有效交流[39，40]以增加公众信任[41，42]，而图形可视化提供了一种有效的方式来传达科学概念[43，44]。尽管对视觉通信的巨大需求，其他开发的贝叶斯分析包的图形可视化能力是不合格的，可以通过bayesvl包来补充。3.4.2. 教学效果由于大学一级，特别是研究型大学的STEM教学的传统教学实践无法跟上技术进步的步伐，现在是时候做出改变，以提高学生bayesvl软件包旨在帮助学生学习统计知识，提供图形化的可视化信息和此外，对支持文化科学和数学教育之间交流思想和研究问题的工具的需求不断增长，也使该软件包变得充实[46]。贝叶斯教学包作为教育者的认知教学策略，可以带来教学方法的突破与需要通过数学公式建立模型的先前开发的贝叶斯分析包和软件不同，Bayesvl包通过这是因为形象化是认知教学策略的基本组成部分之一，其目的是引起兴趣，保持动机，提高关联文本的信息保持，并增强学习者的问题解决能力[44]。此外，专门针对认知教学策略的研究发现，在不同教育水平的普通学生和有学习障碍的学生中，可视化对数学学习有积极的影响[47]。Bayesvl软件包中的最近的一项准实验[48]发现，练习论点可视化的学生获得了更高的LSAT逻辑推理考试成绩Viet-Hoang La，Quan-Hoang Vuong，Trung Tran等.软件X 20（2022）1012454∼∼∼∼图二. 模型构建。并且比没有练习的学生写的文章更连贯。准实验中使用的可视化方法类似于“关系树”构建协议，该协议通过观察到的信息网络来“关系树”构建协议还提供抽象数学公式的可视化表示，这增强了最近对文化科学研究中可视化的需求不断增长，这表明需要新的方法和术语来帮助文化科学和数学教育之间的思想交流[46]。通过在“关系树”中直观地构建数学关系4. 示例性估计在本节中，我们将解释如何安装bayesvl包，然后用于构建，拟合和可视化诊断模型并学习结果。为了说明Bayesvl是如何工作的，使用了关于初中生阅读习惯、社会经济学、父母条件和STEM学业成绩的5000多个观察结果的大型数据集数据集统计调查的完整出版版本 可 用 [51 ， 52] 。 用 户 可 以 在 bayesvlGitHub 存 储 库 上 查 看README.md和simulation_example.R以获取其他示例。这些文件可以分别从以下URL中找到：– https://github.com/sshpa/bayesvl/blob/master/README.md– https：//github.Com/sshpa/bayesvl/blob/master/examples/simulation_example. R4.1. 软件安装bayesvl包可以通过以下命令直接从GitHub安装R> install.packagesR> devtools：：install_github为了运行bayesvl包，还需要同时安装rstan和ggplot 2包，它们 目 前 在 CRAN 上 的 https ： //cran 上 可 用 。 r-project. 或g/web/packages/rstan/index。htmland https：//cran. r-project.或g/web/packages/ggplot2/index。HTML.安装完成后，可以通过键入以下命令调用bayesvlR> library在此示例中，可以使用以下代码从硬盘驱动器加载数据集：R> model-read.csv（4.2. 分析实例最初，需要处理一些变量以适应bayesvl包例如，语法变量“Gradeid”最初包含的我们使用以下代码来清理数据：R>dat$Gradeid-R> case_when（R> dat$Gradeid %in% c （ “6” ）1，R> dat$Gradeid %in% c（“7”）2，R> dat$Gradeid %in% c（“8”）3，R> dat$Gradeid %in% c（“9”）4 R>）此外，不可用的值（NA）也需要省略：R>dat-na.omit（dat）在对数据进行初步处理后，我们可以构建模型，如图所示。 2、通过使用函数bayesvl，bvl_addNode，Viet-Hoang La，Quan-Hoang Vuong，Trung Tran等.软件X 20（2022）1012455∼表1模拟结果总结。型号信息：节点数：4弧：3分：NA型号：APS45IDb_EcoStt_APS45ID * EcoStt + b_Gender_APS45ID * 性别+ a_Gradeid[Gradeid]估计数：Stan模型的推论：8499f9545227c10117038ed963199e26。4条链，每条链的iter=5000; warmup=2000; thin=1;每个链的预热后抽吸=3000，预热后抽吸总数=12000。0.24电话：+86-21 - 8888888传真：+86-21 - 88888888电话：+86-21 - 6666666传真：+86-21 - 66666666电话：+86-21 - 6666666传真：+86-21 - 6666666电话：+86-21 - 6666666传真：+86-21 - 6666666电话：+86-021 - 8888888传真：+86-021 - 8888888©2018 - 2019 www.jsz.com版权所有并保留所有权利于2021年12月7日星期二14：37：02使用NUTS（diag_e）采集样本。 对于每个参数，n_eff是有效样本大小的粗略度量，Rhat是分裂链上的潜在尺度缩减因子（收敛时，Rhat=1）。运行时间：229.389616966248秒图3.第三章。参数MCMC链的跟踪图。和bvl_addArc。函数bayesvl用于创建模型，变量使用bvl_addNode添加到模型中功能“是说se平均SD百分之二点五百分之二十五百分之五十百分之七十五百分之九十七点五n_effRhatb_EcoStt_APS45IDb_Gender_APS45ID0.070.31000.040.04−0.010.050.280.070.310.100.330.160.38376025251.001.00Viet-Hoang La，Quan-Hoang Vuong，Trung Tran等.软件X 20（2022）1012456见图4。 参数分布图五. 参数的Gelman收缩因子图。分别为分类、正态或二项式）。例如，“R> model-bayesvl（）R> model- bvl_addNode（model，R> model- bvl_addNode（model，R> model- bvl_addNode（model，然后，我们可以使用bvl_addArc函数定义两个节点之间的关系。两个变量之间的回归类型可以设置为因此，可以提供任何组合的先验分布通过添加先验值=Viet-Hoang La，Quan-Hoang Vuong，Trung Tran等.软件X 20（2022）1012457===-=∼=-见图6。参数后验分布的区间图。bvl_addArc函数否则，参数的默认先验将被设置为normal（0，10）。R> model-bvl_addArc（model，R> model- bvl_addArc（model，R> model-bvl_addArc（model，函数bvl_bnPlot可用于在模型拟合步骤之前可视化构建的模型R> bvl_bnPlot（model）下一步是生成用于拟合模型的Stan代码bayesvl 可以通过bvl_model2Stan 函 数 自 动 生 成 Stan 代 码 ， 用 户 可 以 实 现Hamiltonian Monte Carlo算法对模型进行贝叶斯推断R>model_string-bvl_model2Stan（model）R> cat（model_string）此外，使用bvl_stanPriors（model）函数将允许用户查看模型中的先验设置。最后，用户可以使用bvl_modelFit启动MCMC模拟。R> bvl_stan先验（模型）b_EcoStt_APS45ID正常（0，10）b_Gender_APS 45ID正常（0，15）a0_Gradeid正常（0，10）sigma_Gradeid正常（0，10）总结表明模拟包含四个马尔可夫链，每个链有5000次迭代。在这5000次迭代链中，2000次是热身。通过检查n_eff（有效样本大小）和Rhat值，用户可以确定模型是否显示出良好的收敛性。通常，当n_eff的值大于1000并且Rhat在1附近时，这是用于进一步分析的良好信号用户还可以直观地检查MCMC链的状况（见图1）。 3）使用bvl_plotTrace函数。R> bvl_plotTrace（model）使用bvl_plotParams和bvl_plotGelman，可以可视化参数的分布和Gelman收缩因子（Rhat值）（见图10）。5）。例如图图4示出了参数的分布。默认的最高后验分布区间（HPDI）设置为89%;因此，要将HPDI调整为90%、95%或其他，可以简单地更改可信度范围（credMass）的数量。R> bvl_plotParams （ model ， row 4 ， col 3 ， credMass0.89,params NULL）R> bvl_plotGelmans（model，NULL，4，3）图 图 6 和 图 7 示 出 了 如 何 以 图 形 方 式 可 视 化 估 计 结 果 。bvl_plotIntervals函数帮助生成系数均值和标准差的可视化表示在一个区间图（见图）。6）。 与此同时，bvl_plotDensityu_Gradeid正态（0，sigma_Gradeid）R> model- bvl_modelFit（model，dat，warmup 5000，chains 4，cores 4）R> summary（model）=2000，iter=函数有助于在密度图上绘制参数的后验分布（见图2）。 7）。R> bvl_plotIntervals（model）然后，使用summary（）函数，模拟结果将如表1所示。R> bvl_plotDensity（model，c（''b_EcoStt_APS45ID''，''b_Gender_APS45ID''））Viet-Hoang La，Quan-Hoang Vuong，Trung Tran等.软件X 20（2022）1012458见图7。参数后验分布的密度图。上面显示的功能和图形仅是一个模型的示例。因此，用户仍然可以通过用户指南[53]或其GitHub网站（github.com/sshpa/bayesvl）检查bayesvl在R中，用户可以通过使用help命令随时寻求帮助。5. 结论本文凭借杰出的在用户体验方面，该软件包有助于（i）增加科学研究的创造性过程，（ii）提高统计新手和专家的生产力，灵活性和直觉，（iii）并在科学交流中提供图形可视化的力量与直接使用Stan相比，这是非常复杂的，需要对语言有深刻的理解，bayesvl包通过根据用户的模型构造自动为用户生成Stan代码来简化任务在教学方面，bayesvl软件包是一个有用的教学工具，培养分析推理和论点理解技能，以及帮助社会科学和数学教育之间交流思想的传输方法本文中提出的示例性研究模型似乎不足以介绍和解释贝叶斯vl的所有实用程序，它们可以作为科学家，教育工作者和学生进一步探索该软件包功能目前，bayesvl的版本是0.9，它仍然需要进一步的更新，以充分发挥其潜力。因此，我们将在未来的更新中继续将更多受支持的模型类型和建模选项集成到包中。此外，一个额外的用户指南将继续编写，以支持新用户获得familiar与bayesvl包。我们欢迎所有关于未来更新的新功能的建议代码可用性GitHub：https://github.com/sshpa/bayesvl。CRediT作者贡献声明Viet-Dong-La：概念化，方法论，软件，监督，验证。Quan-Hoang Vuong：概念化，方法论，软件，监督，验证。中陈：资料来 源 ， 写 作 Minh-Hoang Nguyen ： Writ- ing- original draft ，Visualization. Manh-Tung Ho：Writing Manh-Toan Ho：写作竞合利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作Viet-Hoang La，Quan-Hoang Vuong，Trung Tran等.软件X 20（2022）1012459数据可用性数据集发布在DataIntelligence：https://doi.org/10.1162/dint_a_00091附录A. 补充数据补充资料中包含一个R脚本文件，用于本文中演示的示例。该文件可以在https://doi.org/10.1016/j.softx.2022.101245上找到。引用[1] Gill J. Bayesian Methods：A Social and Behavioral Sciences Approach.第三版Taylor Francis Group; 2015.[2] Scales JA，Snieder R.贝叶斯还是贝叶斯？地球物理1997;62（4）：1045-6.http://dx.doi.org/10.1190/1.6241045.1网站。[3] Wagenmakers EJ，et al. Bayesian inference for psychology.第一部分：理论优 势 和 实 际 影 响 。 PsychonBullRev2018;25 （ 1 ） ： 35-57.http://dx.doi.org/10.3758/s13423-017-1343-3网站。[4] Wagenmakers EJ，Lee M，Lodewyckx T，Iverson GJ.贝叶斯推理与自由主义推理。In：Hoijtink H，Klugkist I，Boelen PA，editors.信息假设的贝叶斯评估。2008，http://dx.doi.org/10.1007/978-0-387-09612-4_9。[5] 放大图片作者：Van Zandt T.关于近似贝叶斯计算的教程。 数学心理学杂志2012;56（2）：69-85.http://dx.doi.org/10.1016/j.jmp.2012.02的网站。005.[6] Csilléry K ， Blum MGB ， Gaggiotti OE ， François O. 近 似 贝 叶 斯 计 算（ABC）在实践中。Trends Ecol Evol 2010;25（7）：410网址：//dx.doi.org/10.1016/j.tree.2010.04.001网站。[7] Lunn DJ，Thomas A，Best N，Spiegelhalter D. WinBUGS -贝叶斯建模框架 ： 概 念 、 结 构 和 可 扩 展 性 。 Stat Comput 2000;10 （ 4 ） ： 325-37.http://dx.doi.org/10.1023/A:1008929526011网站。[8] SpiegelhalterD，Thomas A，Best N，Lunn D.OpenBUGS用户手册，版本3.2.3. Cambridge：MRC Biostatistics Unit;2014.[9] 普 卢 默 ·M 只 是 另 一 个 吉 布 斯 采 样 器 。 2017 年 ， URLhttp ：jags.sourceforge.net/。[10]哈德菲尔德多响应广义线性混合模型的MCMC方法：MCMCMCglmm R包。JStat Softw 2010;33（2）. http://dx.doi的网站。org/10.18637/jss.v033.i02。[11] Carpenter B，et al. Stan：A Probabilistic Programming Language. J StatSoftware 2017;76（1）. http://dx.doi.org/10.18637/jss.v076.i01网站。[12]Stan开发团队Stan：一个用于概率和抽样的C++库，版本2.16.0。2017年，URLhttps://mc-stan.org/。[13] 布尔克纳公司Brms：An R package for Bayesian multilevel models usingStan.J Stat Software 2017;80（1）.http://dx.doi.org/10.18637/jss.v080.i0网站。[14] 麦克里斯河统计反思：贝叶斯课程，以R和Stan为例。第1版Chapman和Hall/CRC; 2018，http://dx.doi.org/10.1201/9781315372495。[15]Gabry J，Goodrich B. Rstanarm：贝叶斯应用回归建模，通过Stan，R包版本2.19.2。2019年，URLhttps://cran.r-project.org/web/packages/rstanarm/index.html。[16]杜安S，肯尼迪AD，彭德尔顿BJ，罗维斯D。 混合蒙特卡罗。 物理快报B1987;195（2）：216-22. http：//dx.doi.org/10.1016/0370-2693（87）91197-X.[17]Hoffman MD，Gelman A.无掉头采样器：自适应设置哈密顿蒙特卡罗路径长度。J Mach Learn Res 2014;15：1593[18]Huu NV，Vuong QH，Ngoc TM.跳马氏过程泛函的中心极限定理。越南数学杂志2005;33（4）：443-61.[19]MuthC ， OraveczZ ， GabryJ.User-friendlyBayesianregressionmodeling：A tutorial with Rstanarm and Shinystan. Quant Methods Psychol2018;14（2）：99-119. http://dx.doi.org/10.20982/tqmp.14.2.p099网站。[20] 斯库塔里湾使用bnlearn R包学习贝叶斯网络。J Stat Softw 2010;35（3）.http://dx.doi.org/10.18637/jss.v035.i03网站。[21]Thao HTP，Vuong QH.带跳的信用风险默顿模型。J Stat Appl Probab Lett2015;2（2）：97-103. http://dx.doi.org/10.12785/jsapl/020201网站。[22]La VP，Vuong QH. Bayesvl：可视化学习贝叶斯网络的图形结构，并使用Stan执行MCMC。R软件包版本0.8.5。2019年。[23]威克姆·Hggplot2：用于数据分析的优雅图形2016年，网址https：//ggplot2.tidyverse.org网站。[24] 医疗保健，医疗 保险和经济衰退：1042个故事的数据集。 数据2019;4（2）：57. http://dx.doi.org/10.3390/data4020057.[25]Le AV等人，《青年数字能力的探索：越南教育背景下的数据集》。数据2019;4（2）：69. http://dx.doi.org/10的网站。3390/data4020069.[26]Vuong QH ， et al. ， Cultural additivity ： Behavioral insights from theinteraction of Confucianism ， Buddhism and Taoism in folktales. PalgraveCommun 2018;4 （ 1 ） ： 143. http://dx.doi.org/10.1057/s41599-018-0189-2 网站。[27]关于宗教如何意外地煽动谎言和暴力：民间故事作为文化传播者。帕尔格雷夫通讯2020;6：82。http://dx.doi.org/10.1057/s41599-020-0442-3网站。[28]放大图片作者：J. Bayesian networks：With examples in R. Boca Raton：CRC Press;2015.[29]Makri S，Blandford A.偶然遇到信息-第1部分。J Doc 2012;68（5）：684http://dx.doi.org/10.1108/00220411211256030网站。[30]Napier NK，Vuong QH.作为战略优势的偶然发现？In：Wilkin-son TJ，Kannan VR，editors. 21世纪的战略管理。加利福尼亚州：Praeger;2013年。[31][10]杨文，杨文. 创造我自己的运气：偶然的策略以及如何在数字信息环境中支持它们。《阿斯伯格综合征与科学技术杂志》2014;65（11）：2179-94。http://dx.doi.org/10.1002/asi.23200网站。[32]André P ， Schraefel MC ， Teevan J ， Dumais ST. Discovery is never bychance：Designing for（un）serendipity.第七届ACM创造力与认知会议论文集。http://dx.doi.org/10.1145/1640233.1640279。[33]Martin L，Schwartz DL.视觉表征与创造性思维的语用学视角。视觉研究2014;29（1）：80-93。http://dx.doi.org/10的网站。1080/1472586X.2014.862997。[34]布 朗 H ， 普 雷 斯 科 特 R 。 混 合 模 型 在 医 学 中 的 应 用 。 第 1 版 2014 ，http://dx.doi.org/10.1002/9781118778210。[35]德 梅 尼 科 ·E 混 合 模 型 ： 理 论 与 应 用 。 John Wiley Sons; 2004 ，http://dx.doi.org/10.1002/0471728438.[36]Gelman A，Hill J.使用回归和多级/分层模型进行数据分析。剑桥大学出版社;2007.[37] Khoury CK等人，科学图形艺术伙伴关系，以增加研究的影响。CommunBiol 2019;2（1）：295. http://dx.doi.org/10.1038/s42003-019-0516-1.[38] 放大图片作者：Ainsworth S，Prain V，Tytler R.在科学中学习绘画。Science2011;333（6046）：1096-7.http://dx.doi.org/10.1126/science.1204153网站。[39]Brownell SE，Price JV，Steinman L.科学传播给公众：为什么我们需要教本科生和研究生这种技能作为他们的正式科学培训的一部分。J UndergraduateNeurosciEduc2013;12（1）：E6-10.[40] 科学家和公众之间的沟通差距：越来越多的科学家和他们的机构感到有必要与公众沟通研究的结果和性质。EMBO Rep. 2016;17（11）：1513-5。http://dx.doi.org/10.15252/embr.201643379网站。[41]旺 岛 转 型 经 济 体 科 学 成 本 的 理 性 思 考 。 Nat Behav 2018;2 （ 1 ） ： 5.http://dx.doi.org/10.1038/s41562-017-0281-4.[42]旺岛打破出版壁垒需要积极主动的态度。Nat