Bayesiläinen hierarkkinen malli
Bayesiläinen hierarkkinen mallinnus, jonka Gelman ja Hill (2006) popularisoivat, on Bayesiläinen lähestymistapa sisäkkäisille data-rakenteille – kuten opiskelijat kouluissa ja koulut piireissä – joka estimoi erilliset parametrit kullakin tasolla sallien samalla tasojen jakaa tilastollista voimaa mekanismin kautta, jota kutsutaan osittaiseksi yhdistämiseksi (partial pooling). Siinä missä klassinen hierarkkinen lineaarinen malli kohtelee ryhmäkeskiarvoja kiinteinä tuntemattomina suureina, Bayesiläinen versio asettaa hyperpriorijakaumia näille ryhmäkeskiarvoille siten, että informaatio virtaa vapaasti tasojen välillä, tuottaen luotettavampia ryhmätason estimaatteja aina kun yksittäisellä ryhmällä on vähän havaintoja.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
+5 more
Lähteet
- 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
Näin viittaat tähän sivuun
ScholarGate. (2026, June 1). Bayesian Hierarchical (Multilevel) Model. ScholarGate. https://scholargate.app/fi/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.
- Bayesilainen regressioBayesilainen tilastotiede↔ compare
- Hierarkkinen lineaarinen malli (HLM)Tilastotiede↔ compare
- Markov-ketju-Monte Carlo (MCMC)Bayesilainen tilastotiede↔ compare
- Mixed Effects ModelTilastotiede↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →