楼主: ynsxx
8151 18

[精品图书下载]Bayesian Methods for Data Analysis 3rd Edition 2008 [推广有奖]

  • 3关注
  • 3粉丝

已卖：495份资源

讲师

86%

还不是VIP/贵宾

-

0%
威望
0 级
论坛币
15385 个
通用积分
2.3220
学术水平
6 点
热心指数
7 点
信用等级
1 点
经验
2480 点
帖子
150
精华
0
在线时间
1094 小时
注册时间
2005-4-14
最后登录
2022-3-31
楼主
ynsxx 在职认证  发表于 2014-2-6 19:58:40 |AI写论文

+2 论坛币
k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群
赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

Bayesian Methods for Data Analysis, Third Edition (Chapman & Hall/CRC Texts in Statistical Science)

Bradley P. Carlin , Thomas A. Louis




Book Description[size=0.86em]Publication Date: June 30, 2008 | ISBN-10: 1584886978 | ISBN-13: 978-1584886976 | Edition: 3
Broadening its scope to nonstatisticians, Bayesian Methods for Data Analysis, Third Edition provides an accessible introduction to the foundations and applications of Bayesian analysis. Along with a complete reorganization of the material, this edition concentrates more on hierarchical Bayesian modeling as implemented via Markov chain Monte Carlo (MCMC) methods and related data analytic techniques.
New to the Third Edition
New data examples, corresponding R and WinBUGS code, and homework problemsExplicit descriptions and illustrations of hierarchical modeling—now commonplace in Bayesian data analysisA new chapter on Bayesian design that emphasizes Bayesian clinical trialsA completely revised and expanded section on ranking and histogram estimationA new case study on infectious disease modeling and the 1918 flu epidemicA solutions manual for qualifying instructors that contains solutions, computer code, and associated output for every homework problem—available both electronically and in printIdeal for Anyone Performing Statistical Analyses
Focusing on applications from biostatistics, epidemiology, and medicine, this text builds on the popularity of its predecessors by making it suitable for even more practitioners and students.

本帖隐藏的内容

Bayesian Methods for Data Analysis, Third Edition.pdf (4.35 MB, 需要: 2100 个论坛币)










二维码

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0
关键词：Bayesian Analysis Edition Methods Analysi accessible provides

相关帖子

已有 2 人评分经验 论坛币 学术水平 热心指数 信用等级 收起 理由
Nicolle + 60 + 60 + 5 + 5 精彩帖子
jnupsych + 1 + 1 + 1 精彩帖子

总评分: 经验 + 60  论坛币 + 60  学术水平 + 6  热心指数 + 6  信用等级 + 1   查看全部评分

本帖被以下文库推荐
沙发
tsdy(未真实交易用户) 发表于 2014-2-8 12:01:22
  1. #############################
  2. # BUGS code for Baby Normal/Normal model (CL3 text, p.23)
  3. #############################

  5. model{
  6.    
  7.   prec.ybar <- n/sigma2
  8.   prec.theta <- 1/tau2
  9.   ybar  ~ dnorm(theta, prec.ybar)

  11.   theta ~ dnorm(mu, prec.theta)

  13.   }

  15. # Data:
  16.   
  17. list(ybar=6, mu=2, sigma2=1, tau2=1, n=1)
  18.        
  19. # Inits:

  21. list(theta = 0)
复制代码

已有 1 人评分论坛币 收起 理由
Nicolle + 20 鼓励积极发帖讨论

总评分: 论坛币 + 20   查看全部评分

藤椅
leonkd(未真实交易用户) 在职认证  发表于 2014-3-17 23:46:56
  1. ####################
  2. # Dugongs Linear model

  4. # w/ known covariance for data, posterior for betas is multivariate normal
  5. # w/ gamma prior for data precision, posterior for betas is multivariate t
  6. ####################

  8. model{
  9.   for( i in 1:n) {
  10.     logage[i] <- log(x[i])
  11.     Y[i] ~ dnorm(mu[i] , tau)
  12.     mu[i] <- beta0+ beta1*logage[i]    # uncentered covariate
  13. #    mu[i] <- beta0+ beta1*(logage[i] - mean(logage[]))    #  centered covariate
  14.     }

  16. #  beta0 ~ dnorm(0, 0.001)   # for comparability to exact Bayes results in Sec 4.1
  17. #  beta1 ~ dnorm(0, 0.001)

  19.   beta0 ~ dflat()     # for max comparability to frequentist results
  20.   beta1 ~ dflat()

  22.   tau ~ dgamma(0.1, 0.1)   #  p_D = 3.100,   DIC = -43.216
  23.   sigma <- 1/sqrt(tau)

  25. #  tau <- 1/(sigma*sigma)   #  p_D = 2.895,   DIC = -49.303
  26. #  sigma ~ dunif(0.01, 100)  

  28. }  #  end of BUGS code


  31. #Data:
  32. list(x = c( 1.0,  1.5,  1.5,  1.5, 2.5,   4.0,  5.0,  5.0,  7.0,
  33.                     8.0,  8.5,  9.0,  9.5, 9.5,  10.0, 12.0, 12.0, 13.0,
  34.                    13.0, 14.5, 15.5, 15.5, 16.5, 17.0, 22.5, 29.0, 31.5),
  35.              Y = c(1.80, 1.85, 1.87, 1.77, 2.02, 2.27, 2.15, 2.26, 2.47,
  36.                    2.19, 2.26, 2.40, 2.39, 2.41, 2.50, 2.32, 2.32, 2.43,
  37.                    2.47, 2.56, 2.65, 2.47, 2.64, 2.56, 2.70, 2.72, 2.57), n = 27)

  39. # Inits:

  41. list( beta0 = 0, beta1 = 1, tau = 1)   #  for gamma prior on tau
  42. list( beta0 = 0, beta1 = 1, sigma = 1)  # for uniform prior on sigma


  45. #########################
  46. #  Multivariate version:  add a N(mu, R) prior for beta,
  47. #    with a Wishart hyperprior for R  :)
  48. #########################


  51. model{
  52.   for( i in 1:n) {
  53.     logage[i] <- log(x[i])
  54.     Y[i] ~ dnorm(meen[i] , tau)
  55.     meen[i] <- beta[1]+ beta[2]*(logage[i] - mean(logage[]))
  56.     }

  58.   beta[1:2] ~ dmnorm(mu[], R[ , ])

  60.   mu[1] ~ dflat()
  61.   mu[2] ~ dflat()
  62.   R[1:2, 1:2] ~ dwish(Omega[ , ], 2)

  64.   tau <- 1/(sigma*sigma)  
  65.   sigma ~ dunif(0.01, 100)
  66.   
  67.   Rinv[1:2, 1:2] <- inverse(R[ , ])
  68.   priorsd[1] <- sqrt(Rinv[1,1])
  69.   priorsd[2] <- sqrt(Rinv[2,2])
  70. }

  72. #Data:
  73. list(x = c( 1.0,  1.5,  1.5,  1.5, 2.5,   4.0,  5.0,  5.0,  7.0,
  74.                     8.0,  8.5,  9.0,  9.5, 9.5,  10.0, 12.0, 12.0, 13.0,
  75.                    13.0, 14.5, 15.5, 15.5, 16.5, 17.0, 22.5, 29.0, 31.5),
  76.              Y = c(1.80, 1.85, 1.87, 1.77, 2.02, 2.27, 2.15, 2.26, 2.47,
  77.                    2.19, 2.26, 2.40, 2.39, 2.41, 2.50, 2.32, 2.32, 2.43,
  78.                    2.47, 2.56, 2.65, 2.47, 2.64, 2.56, 2.70, 2.72, 2.57), n = 27,
  79.              Omega = structure(.Data = c(0.1, 0, 0, 0.1), .Dim = c(2, 2))        )

  81. #Inits:
  82. list( beta = c(0, 0), sigma=1, mu = c(0,0),
  83.        R = structure(.Data = c(1,0,0,1), .Dim = c(2, 2)))
复制代码
板凳
cwzkevin(真实交易用户) 发表于 2014-5-11 02:00:57
  1. #########################################
  2. # Linear hierarchical modeling in a two-way ANOVA
  3. # Cross-protocol data                                                                                 
  4. #########################################

  6. model
  7. {
  8.         for(i in 1:I) {
  9.                 for(j in 1:J) {
  10.                    Y[i,j] ~ dnorm(theta[i,j],P[i,j])     #                      Dbar   p_D     DIC  (1k / 20k)
  11.                            theta[i,j] <- a[i]+b[j]+s[i,j]    # full model           122.0  12.8   134.8
  12. #                        theta[i,j] <- a[i] + b[j]         # drop interactions    123.4   9.7   133.1
  13. #                        theta[i,j] <- a[i] + s[i,j]         # no unit effect       123.8  10.0   133.8
  14. #                        theta[i,j] <- b[j]+ s[i,j]         # no study effect      121.4   9.7   131.1
  15. #                        theta[i,j] <- a[1] + b[j]        # unit + intercept     120.3   4.6   124.9
  16. #                        theta[i,j] <- b[j]               # unit effect only     122.9   6.2   129.1
  17. #                        theta[i,j] <- a[i]               # study effect only    126.0   6.0   132.0
  18. #                        theta[i,j] <- a[1]               # intercept only       122.6   1.0   123.6
  19. #                        theta[i,j] <- s[i,j]                 # interactions only!   126.6   5.1   131.7
  20.                        
  21.                         s[i,j] ~ dnorm(0.0,C)
  22.                         Y_sigma[i,j] <- 1/sqrt(P[i,j])
  23.                        
  24.                         sresid[i,j] <- (Y[i,j] - theta[i,j]) / Y_sigma[i,j]  #  approx standardized residuals
  25.                        
  26.                      }
  27. #                a[i] ~ dflat()          #  crashes program if a's removed from model
  28.                 a[i] ~ dnorm(0, 0.0001)       # more convenient here
  29.         }

  31.         for(j in 1:J) {
  32.                 b[j] ~ dnorm(0.0,B)
  33.         }       

  35.         b_sigma ~ dunif(0.01, 100)        # clinic-level s.d.
  36.         s_sigma ~ dunif(0.01,100)        # s.d. of s_ij's
  37.         B <- 1/(b_sigma*b_sigma)                   
  38.         C <- 1/(s_sigma*s_sigma)               
  39. }

  41. ## HERE ARE INITS:
  42. list(b_sigma=5, s_sigma=5, a=c(3,3,3,3,3,3),
  43. b=c(2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2))

  45. list(b_sigma=25, s_sigma=25, a=c(3,3,3,3,3,3),
  46. b=c(-10,-10,-10,-10,-10,-10,-10,-10,-10,-10,-10,-10,-10,-10,-10,-10,-10,-10))

  48. list(b_sigma=50, s_sigma=50, a=c(-3,-3,-3,-3,-3,-3),
  49. b=c(20,20,20,20,20,20,20,20,20,20,20,20,20,20,20,20,20,20))


  52. ## HERE ARE DATA:
  53. list(I = 6,    # number of studies
  54.      J = 18,   # number of clinics (at most)
  55.      
  56. Y = structure(
  57.   .Data = c(0.814, -0.203, -0.133, NA, -0.715, 0.739, 0.118,
  58.         NA, NA, 0.271, NA, -0.0023, -0.076, 0.651, -0.249,
  59.         0.0026, NA, 1.217, NA, NA, NA, NA, -0.24236,
  60.         0.00928, 0.8073, -0.51149, 1.93893, 1.07922, NA, 0.29996, 1.41267,
  61.         -0.46985
  62.         , 0.09798, 0.29206, 0.19483, 0.16531, -0.40556, NA, 0.21807,
  63.         NA, -0.54369, NA, -0.04707, 0.23272, 0.21767, -0.27662,
  64.         0.79159, -0.10268, 0.6576, 0.0604, -0.27151, 0.7048, 0.6054, 0.38503,
  65.         0.29848, NA, -2.20587, NA, -0.73148, NA, 0.9134, 0.13073,
  66.         -0.06594, -0.23161, 1.26396, -0.43129, -0.02205, 0.42073, -0.16309,
  67.         0.60758, 0.18718, 0.17248, 0.2597, NA, 0.35022, NA, 0.60031,
  68.         NA, -0.09084, NA, NA, 0.75204, -0.35662, 0.83652,
  69.         -0.16441, -0.11157, 0.85996, -0.22899, NA, 0.16011, NA,
  70.         NA, 0.14491, NA, 0.04111, 0.22188, 0.09871, 0.01708, 0.35535,
  71.         0.20278, 0.8073, 0.37308, -0.64, -0.01021, 0.0813, 1.04416, -0.20111,
  72.         0.20344), .Dim = c(6, 18)),

  74. P = structure(
  75.   .Data = c(1.55472, 0.63796, 0.66422, 0.0001, 2.22103, 3.02457,
  76.         1.38408, 0.0001, 0.0001, 2.93207, 0.0001, 1.33034, 1.19442, 2.86302,
  77.         2.39627, 2.20785, 0.0001, 1.49815, 0.0001, 0.0001, 0.0001, 0.0001,
  78.         1.7054, 4.22496, 2.52965, 3.21071, 1.55576, 2.06012, 0.0001, 4.43682,
  79.         0.74642, 3.74025, 4.20441, 3.2145, 5.44972, 5.87876, 4.61706, 0.0001,
  80.         1.91103, 0.0001, 4.26425, 0.0001, 2.70169, 5.39252, 1.96031, 6.63744,
  81.         1.6591, 10.12627, 5.15778, 12.20163, 9.12072, 8.56466, 8.09651, 6.76019,
  82.         3.42682, 0.0001, 0.73295, 0.0001, 4.53736, 0.0001, 1.97782, 5.93378,
  83.         2.38223, 6.65423, 1.27929, 10.4889, 5.42775, 10.75121, 9.06588, 9.24314,
  84.         9.41177, 8.3589, 6.15393, 0.0001, 2.2114, 0.0001, 0.66407, 0.0001,
  85.         2.47915, 0.0001, 0.0001, 0.48528, 3.72857, 1.14836, 1.1933, 0.49845,
  86.         3.32753, 6.14448, 0.0001, 2.43433, 0.0001, 0.0001, 0.64786, 0.0001,
  87.         3.31796, 3.30026, 3.31, 12.10082, 5.82853, 21.92399, 4.72651, 6.29366,
  88.         0.74707, 3.86906, 4.74962, 4.17327, 2.72863, 2.50757), .Dim = c(6, 18)))
  89.        
复制代码
报纸
jnupsych(真实交易用户) 发表于 2014-5-25 14:33:53
  1. ###########################
  2. #  PK Hierarchical Linear Model

  4. #  This is the linearized version of the PK model, where we model Z = log(concentration) as a
  5. #  simple linear function of dosage time X for each patient i = 1, ..., N=10.  

  7. #  See Carlin and Louis (2009, Ch 2, Example 2.13).
  8. ###########################

  10. model
  11. {
  12.   for(i in 1:N){
  13.         for(j in 1:T){
  14.                 Z[i,j] ~ dnorm (mu[i,j] , tauZ )
  15.                 Y[i,j] <- exp(Z[i,j])
  16.                 mu[i,j] <- beta[i, 1] + beta[i, 2]* X[j]                
  17.             }
  18.         beta[i , 1:2] ~ dmnorm (betamu[1:2] , betaUpsilon[1:2, 1:2])
  19.      }

  21.   betamu[1:2] ~ dmnorm( meen[1:2] , prec[1:2 ,1:2])
  22.   betaUpsilon[1:2 , 1:2] ~ dwish(R[1:2, 1:2], 2)

  24.   beta.s2[1:2, 1:2] <- inverse(betaUpsilon[1:2, 1:2])
  25.   for (i in 1 : 2) {beta.s[i] <- sqrt(beta.s2[i, i]) }

  27. #  tauZ ~ dgamma(0.001, 0.001)    #  usual WinBUGS vague gamma prior
  28. #  sigmaZ <- 1/tauZ
  29.   tauZ <- 1/(sigmaZ * sigmaZ)        #  vague Gelman prior
  30.   sigmaZ ~ dunif(0.01, 100)

  32. }  #  end of linear PK program


  35. ## Inits:
  36. list( tauZ =20 , betaT=structure(.Data = c(0.01, 0,0, 0.01), .Dim = c(2, 2)), betamu=c( -3, 3 ))      # gamma
  37. list( sigmaZ =1, betaUpsilon=structure(.Data = c(0.1, 0,0, 0.1), .Dim = c(2, 2)), betamu=c(0, 0))  # Gelman
  38.        
  39.        
  40. ## Data:
  41. # NOTE:  Obs 6 for Patient 8 (apparent data entry error) set to NA!
  42. #   Z = log(concentration)

  44. list(X=c(2,4,6,8,10,24,28,32), N=10, T=8,
  45.     Z = structure(
  46.        .Data = c(0.086, -0.288, -0.635, -1.079, -1.47, -3.912, NA, NA,
  47.                  0.708, 0.247, 0.182, 0.02, -0.186, -1.273, NA, NA,
  48.                  0.365, 0.262, -0.051, -0.386, -0.654, -2.813, NA, NA,
  49.                  0.438, -0.041, -0.223, -0.478, -0.777, -2.526, NA, NA,
  50.                  0.3,  -0.248,  -0.693,  -1.109,  -1.715,  -3.912,  NA,  NA,
  51.                  0.077,  -0.528,  -0.994,  -1.47,  -1.772,  NA,  NA,  NA,
  52.                  0.278,  -0.301,  -0.777, -1.273, -1.309, -3.507, -3.912,  NA,
  53.                  0.489, 0.01, -0.315, -0.598,  -0.892, NA, -2.813, -3.912,
  54.                  0.231,  -0.315,  -0.916,  -1.204,  -1.561,  NA,  NA,  NA,
  55.                  0.262,  -0.357,  -0.916,  -1.386,  -1.966,  NA,  NA,  NA),
  56.                .Dim = c(10,8)),
  57.         meen = c(0,0) ,
  58.         prec = structure(.Data = c(1.0E-6, 0,
  59.                                                                                                         0, 1.0E-6), .Dim = c(2, 2)),
  60.         R = structure(.Data = c(0.1, 0,
  61.                                                                                         0, 0.1), .Dim = c(2, 2))
  62. )


  65. #  Results:

  67.          node         mean         sd         MC error        2.5%        median        97.5%        start        sample
  68.         tauZ        48.04        10.63        0.08587        29.47        47.23        71.18        15001        30000

  70.          node         mean         sd         MC error        2.5%        median        97.5%        start        sample
  71.         betamu[1]        0.5504        0.07132        5.741E-4        0.4101        0.5504        0.6923        15001        30000
  72.         betamu[2]        -0.1734        0.04032        2.264E-4        -0.2538        -0.1732        -0.09241        15001        30000

  74.          node         mean         sd         MC error        2.5%        median        97.5%        start        sample
  75.         beta.s[1]        0.1882        0.05423        3.962E-4        0.1099        0.179        0.3205        15001        30000
  76.         beta.s[2]        0.1226        0.0312        2.027E-4        0.07893        0.117        0.2001        15001        30000

  78.          node         mean         sd         MC error        2.5%        median        97.5%        start        sample
  79.         beta[1,1]        0.4513        0.08549        5.126E-4        0.282        0.4517        0.6174        15001        30000
  80.         beta[1,2]        -0.1839        0.007822        4.595E-5        -0.1992        -0.1839        -0.1684        15001        30000
  81.         beta[2,1]        0.6701        0.0866        5.276E-4        0.5003        0.6695        0.8406        15001        30000
  82.         beta[2,2]        -0.08176        0.007807        4.652E-5        -0.09707        -0.0818        -0.06642        15001        30000
  83.         beta[3,1]        0.7337        0.08823        5.682E-4        0.5603        0.7335        0.9074        15001        30000
  84.         beta[3,2]        -0.1449        0.007888        4.572E-5        -0.1603        -0.1449        -0.1294        15001        30000
  85.         beta[4,1]        0.5682        0.08541        5.018E-4        0.4014        0.568        0.7361        15001        30000
  86.         beta[4,2]        -0.1302        0.00778        4.222E-5        -0.1454        -0.1302        -0.1149        15001        30000
  87.         beta[5,1]        0.4795        0.08555        5.251E-4        0.3111        0.4793        0.6469        15001        30000
  88.         beta[5,2]        -0.1888        0.00784        4.478E-5        -0.2044        -0.1888        -0.1735        15001        30000
  89.         beta[6,1]        0.4877        0.1175        8.276E-4        0.2556        0.4881        0.7176        15001        30000
  90.         beta[6,2]        -0.236        0.01869        1.263E-4        -0.2728        -0.236        -0.1992        15001        30000
  91.         beta[7,1]        0.3314        0.08402        5.465E-4        0.1664        0.3312        0.4959        15001        30000
  92.         beta[7,2]        -0.1579        0.005713        3.701E-5        -0.1694        -0.1578        -0.1468        15001        30000
  93.         beta[8,1]        0.5541        0.07686        4.27E-4        0.4033        0.5543        0.7057        15001        30000
  94.         beta[8,2]        -0.1324        0.004736        2.517E-5        -0.1417        -0.1323        -0.123        15001        30000
  95.         beta[9,1]        0.565        0.1176        7.793E-4        0.3344        0.5641        0.7992        15001        30000
  96.         beta[9,2]        -0.2199        0.01883        1.223E-4        -0.2577        -0.2199        -0.1829        15001        30000
  97.         beta[10,1]        0.6606        0.121        8.314E-4        0.4268        0.6579        0.9041        15001        30000
  98.         beta[10,2]        -0.2582        0.01917        1.234E-4        -0.2964        -0.2582        -0.2207        15001        30000
  99.        
  100.          node         mean         sd         MC error        2.5%        median        97.5%        start        sample
  101.         Z[1,7]        -4.698        0.2211        0.001421        -5.13        -4.696        -4.261        20001        20000
  102.         Z[1,8]        -5.437        0.2439        0.001726        -5.918        -5.438        -4.96        20001        20000
  103.         Z[2,7]        -1.619        0.2205        0.001582        -2.052        -1.62        -1.188        20001        20000
  104.         Z[2,8]        -1.946        0.2439        0.001722        -2.422        -1.947        -1.461        20001        20000
  105.         Z[3,7]        -3.322        0.2221        0.001519        -3.759        -3.321        -2.881        20001        20000
  106.         Z[3,8]        -3.902        0.2454        0.001757        -4.382        -3.902        -3.412        20001        20000
  107.         Z[4,7]        -3.079        0.2198        0.001387        -3.512        -3.08        -2.649        20001        20000
  108.         Z[4,8]        -3.597        0.2438        0.001533        -4.071        -3.597        -3.109        20001        20000
  109.         Z[5,7]        -4.808        0.2238        0.001537        -5.244        -4.809        -4.373        20001        20000
  110.         Z[5,8]        -5.566        0.2464        0.001634        -6.051        -5.565        -5.084        20001        20000
  111.         Z[6,6]        -5.178        0.3817        0.002857        -5.931        -5.179        -4.433        20001        20000
  112.         Z[6,7]        -6.123        0.4513        0.0034        -7.009        -6.121        -5.247        20001        20000
  113.         Z[6,8]        -7.068        0.5213        0.004193        -8.103        -7.064        -6.047        20001        20000
  114.         Z[7,8]        -4.721        0.1955        0.00144        -5.106        -4.721        -4.341        20001        20000
  115.         Z[8,6]        -2.623        0.1688        0.001209        -2.952        -2.623        -2.29        20001        20000
  116.         Z[9,6]        -4.715        0.3856        0.002935        -5.487        -4.712        -3.961        20001        20000
  117.         Z[9,7]        -5.592        0.454        0.003544        -6.49        -5.593        -4.696        20001        20000
  118.         Z[9,8]        -6.472        0.5228        0.003982        -7.515        -6.47        -5.44        20001        20000
  119.         Z[10,6]        -5.535        0.3918        0.002774        -6.304        -5.534        -4.76        20001        20000
  120.         Z[10,7]        -6.57        0.4621        0.003528        -7.498        -6.572        -5.675        20001        20000
  121.         Z[10,8]        -7.602        0.5338        0.004128        -8.658        -7.598        -6.556        20001        20000
复制代码
地板
Limdep(未真实交易用户) 发表于 2014-6-14 22:53:30
Bayesian Methods for Data Analysis 3rd Edition 2008
7楼
mw89(真实交易用户) 发表于 2014-8-7 21:51:48
looked for it for a long time. Thank you.
8楼
jmcheung(真实交易用户) 发表于 2014-12-13 19:29:58
thx very much!
9楼
jmcheung(真实交易用户) 发表于 2014-12-14 12:49:19
感谢楼主分享，顶
10楼
软式排球(真实交易用户) 发表于 2015-2-24 21:51:42
感谢分享，请问这本书有答案么？
返回列表
12下一页
高级模式
B Color Image Link Quote Code Smilies
您需要登录后才可以回帖 登录 | 我要注册

本版微信群
加好友,备注jltj
拉您入交流群

京ICP备16021002号-2 京B2-20170662号 京公网安备 11010802022788号 论坛法律顾问：王进律师 知识产权保护声明   免责及隐私声明

GMT+8, 2026-1-6 08:19