Bayesovský hierarchický model
Bayesovské hierarchické modelování, popularizované Gelmanem a Hillem (2006), je bayesovský přístup k vnořeným datovým strukturám – jako jsou studenti ve školách v rámci okresů – který odhaduje samostatné parametry na každé úrovni, přičemž umožňuje těmto úrovním sdílet statistickou sílu prostřednictvím mechanismu zvaného částečné sdružování (partial pooling). Zatímco klasický hierarchický lineární model považuje skupinové průměry za pevné neznámé veličiny, bayesovská verze umisťuje na tyto skupinové průměry hyperpředchozí distribuce (hyperpriors), takže informace volně proudí napříč úrovněmi a vytváří spolehlivější odhady na úrovni skupin, kdykoli má některá jednotlivá skupina málo pozorování.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
+5 more
Zdroje
- Gelman, A. & Hill, J. (2006). Data Analysis Using Regression and Multilevel/Hierarchical Models. Cambridge University Press. DOI: 10.1017/CBO9780511790942 ↗
- Gelman, A., Carlin, J. B., Stern, H. S., Dunson, D. B., Vehtari, A. & Rubin, D. B. (2013). Bayesian Data Analysis (3rd ed.). CRC Press. ISBN: 978-1439840955
Jak citovat tuto stránku
ScholarGate. (2026, June 1). Bayesian Hierarchical (Multilevel) Model. ScholarGate. https://scholargate.app/cs/bayesian/bayesian-hierarchical-model
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Bayesovská regreseBayesovská statistika↔ compare
- Hierarchický lineární model (HLM)Statistika↔ compare
- Markov Chain Monte Carlo (MCMC)Bayesovská statistika↔ compare
- Model smíšených efektůStatistika↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →