Módszerek összehasonlítása
Tekintse át a kiválasztott módszereket egymás mellett; az eltérő sorok kiemelve jelennek meg.
| Hierarchikus Bayes-féle következtetés× | Vegyes hatású modell× | |
|---|---|---|
| Tudományterület≠ | Bayes-statisztika | Statisztika |
| Módszercsalád≠ | Bayesian methods | Regression model |
| Keletkezés éve≠ | 1972 (Lindley & Smith); consolidated 1995–2013 | 1982 |
| Megalkotó≠ | Lindley & Smith; Gelman et al. | Laird & Ware |
| Típus≠ | Bayesian multilevel model | Mixed effects regression |
| Alapmű≠ | 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 | Laird, N. M., & Ware, J. H. (1982). Random-effects models for longitudinal data. Biometrics, 38(4), 963–974. DOI ↗ |
| Alternatív nevek | multilevel Bayesian modeling, Bayesian hierarchical model, nested Bayesian model, partial pooling model | LME, LMM, mixed model, random effects model |
| Kapcsolódó≠ | 6 | 4 |
| Összefoglaló≠ | Hierarchical Bayesian inference is a probabilistic modeling framework that organises parameters into levels, placing priors on the group-level parameters and hyperpriors on the parameters governing those priors. It enables partial pooling of information across groups, balancing the extremes of treating each group as independent or merging them into a single estimate. | A mixed effects model (or linear mixed model) extends ordinary regression by including both fixed effects — population-level parameters shared by all observations — and random effects that capture subject-, group-, or cluster-level variability. It is the standard tool for repeated-measures, longitudinal, and multilevel data where observations within the same unit are correlated. |
| ScholarGateAdatkészlet ↗ |
|
|