Modèle Additif Généralisé Bayésien (Bayesian GAM)
Les Modèles Additifs Généralisés Bayésiens (Bayesian GAM) étendent le cadre fréquentiste des GAM en plaçant des distributions a priori sur les fonctions lisses et sur tout paramètre additionnel du modèle. Cela produit des distributions a posteriori complètes pour chaque effet lisse, permettant une quantification rigoureuse de l'incertitude, une sélection automatique de la régularité via des hyper-prioris, et une intégration transparente avec des structures hiérarchiques ou à effets mixtes.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- Wood, S. N. (2017). Generalized Additive Models: An Introduction with R (2nd ed.). CRC Press. ISBN: 9781498728331
- Bürkner, P.-C. (2017). brms: An R Package for Bayesian Multilevel Models Using Stan. Journal of Statistical Software, 80(1), 1–28. DOI: 10.18637/jss.v080.i01 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Bayesian Generalized Additive Model. ScholarGate. https://scholargate.app/fr/statistics/bayesian-generalized-additive-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.
- Modèle bayésien linéaire généraliséStatistique↔ compare
- Modèle bayésien à effets mixtesStatistique↔ compare
- Régression linéaire multiple bayésienneStatistique↔ compare
- Modèle additif généralisé (GAM)Apprentissage automatique↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →