"貝葉斯方法因其靈活性且可以輕松地將相關性和層次結構正式納入數(shù)據(jù)中，所以對包括空間和時間信息在內的大型數(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，并闡述了相關的計算問題;詳細介紹了 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。 全書將詳細的理論和實際數(shù)據(jù)分析相結合，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 網站獲得，這對于想了解INLA 方法或提高其實踐能力的應用研究人員來說，是一個極具吸引力的特點。"