Statistical Rethinking 是马克斯·普朗克进化人类学研究所（MPI-EVA）的 Richard McElreath 开设的贝叶斯统计课程，以因果模型为主线。2026 年这一轮于 1 月 6 日至 3 月 13 日在莱比锡线下讲授，首次分为初学班和进阶班，讲座录像在 YouTube 免费公开。本文梳理视频、课程仓库、第 2 版教材、rethinking R 包和社区代码移植的访问情况，并给出起步顺序。
2026 年课程安排与录像
据课程仓库 README，2026 年课程在 MPI-EVA 二楼大报告厅进行，共 10 周：初学班每周二 10:00–11:00，进阶班每周五 10:00–11:00。今年不设远程注册，现场课面向莱比锡及周边研究机构的成员，能到场、愿意跟上作业即可旁听；完成任一班全部作业可获得课程学分。先修要求是至少修过一门基础统计课，并有 R 或 Python 等脚本语言的使用经验。需要注意，README 开头写课程到 3 月 13 日结束，但课程表里进阶班最后一讲标注为 3 月 20 日，两者不一致。
分班是今年最大的变化。McElreath 把以往 5 周的内容拉长到 10 周讲，进度约为往年的一半。初学班面向刚接触因果推断和贝叶斯回归的人，覆盖教材前半部分，从引言、“分叉数据花园”讲到混杂、好坏控制变量、MCMC 和事件建模；进阶班面向上过课、但后半程没跟上的人，从多层模型讲起，依次涉及社会网络、高斯过程、测量模型、缺失与删失数据、隐马尔可夫模型等主题，也可能根据学员兴趣换用新的案例。
录像分三个 YouTube 播放列表：初学班（Section A）、进阶班（Section B），以及按时间顺序合并两班的完整列表；README 另附 2023 年的整套录像，供补充或复习。2026 年 10 月 20 日访问时，初学班播放列表可以公开打开，观看免费；视频是否提供字幕、有没有中文字幕待核对。课程仓库和讲座标题均为英文。每周每个班各布置一套作业，下一周截止，迟交一律接受，作业和解答会放在仓库的文件夹中。教材 PDF 只提供给注册学员，自学者需要另行获取纸质版或电子版。
教材、R 包与代码移植
配套教材是《Statistical Rethinking: A Bayesian Course with Examples in R and Stan》第 2 版，由 Chapman & Hall/CRC 出版，版权年 2020，共 612 页、17 章，2023 年获国际贝叶斯分析学会（ISBA）的 De Groot Prize。出版社介绍称，第 2 版重点加入了用有向无环图（DAG）做因果推断的方法，并新增先验设计、样条、工具变量、哈密顿蒙特卡洛等内容。出版社页面抓取时没有显示价格，售价待核对；作者网站提供第 1–2 章样章 PDF，可以先读再决定是否购买。作者表示正在写第 3 版，但不会很快出版，目前没有出版日期；2026 年课程以第 2 版为主，可能穿插第 3 版的草稿章节。
教材里的 R 代码依赖作者的 rethinking 包。这个包只在 GitHub 发布，作者明确说它“永远不会上 CRAN”，所以用 install.packages() 装会报错。完整安装分三步：先装 C++ 编译工具链，再装 cmdstanr 并在首次使用时运行 cmdstanr::install_cmdstan()，最后用 devtools::install_github("rmcelreath/rethinking") 安装。如果只想学前半程，可以装不含 MCMC 的 slim 版（rethinking@slim），不用折腾 Stan，也能学到第 8 章。包的核心是两个函数：quap 用二次近似估计后验分布，ulam 把同一套模型写法编译成 Stan 模型，用哈密顿蒙特卡洛抽样。它要求逐条写出每个分布假设，比 lm() 这类公式接口更繁琐，但作者的用意正在于此：自己写出模型的每个细节，才算真正学会这个模型。作者推荐用 cmdstanr 而不是 rstan 作后端，编译更快，也支持链内多线程。
不用 rethinking 包也能跟课。作者网站列出了多种社区代码移植：习惯 brms 和 tidyverse 的，可以看 Solomon Kurz 的版本，其 0.5.0 版已有全部 17 章草稿，整理成在线电子书；想直接写 Stan 代码的，可以看 Vincent Arel-Bundock 的“Statistical Rethinking 2 with Stan and R”，作者自述仍在进行中，目前列出第 4–9 章和第 11–16 章；Python 用户可以用 PyMC 社区维护的第 2 版移植，第 2–14 章已更新到 PyMC v4，采用 CC BY 4.0 许可。列表里还有 NumPyro、TensorFlow、Pyro、Julia 和 R-INLA 等版本，以及基于 2023 年课程示例的 PyMC 移植。课程 README 提醒，这些移植不一定与原书逐行对应，但覆盖得相当完整；它们由社区维护，更新进度各不相同。
适合人群与起步顺序
这门课适合修过基础统计、会写一点 R 或 Python 的研究生和研究人员，尤其是生物学和社会科学背景、手里数据维度高又不完美的人。README 强调它不是讲定理和证明的理论课，而是关注可靠、可重复的统计工作流。按课程表和教材目录，学完前半程能用因果图理清变量关系、判断哪些变量该控制，搭建并解释线性回归和广义线性模型；学完后半程还会接触多层模型、测量误差、缺失数据、高斯过程等更复杂的建模方法，并用 MCMC 拟合和诊断模型。
建议按以下顺序开始：
- 先读作者网站上的第 1–2 章样章，判断写法和难度是否适合自己。
- 安装 slim 版 rethinking，跟着 2026 年初学班播放列表看，同时读对应章节（第 1–8 章不需要 Stan）。
- 每周做仓库里的作业，做完再对照解答。
- 学到初学班第 8 周的 MCMC 内容前，再装 C++ 工具链、cmdstanr 和完整版 rethinking。
- 用 Python 或 brms 的学习者，可以把对应的社区移植放在旁边对照，但遇到差异时以原书为准。
- 前半程学完后，接着看进阶班播放列表，或用 2023 年录像补后半部分内容。