Bayesian methods
Bayesian Model Averaging
회귀 모형에 실제로 포함되어야 할 여러 예측 변수 중 어느 것인지 확신할 수 없다고 가정해보자. BMA는 하나의 모형을 선택하고 나머지를 폐기하는 대신, 모든 후보 모형을 고려 대상에 포함시키고 각 모형의 데이터에 대한 개연성에 따라 가중치를 부여한다. 여러 모형이 거의 동일하게 좋게 보인다면, 최종 추론은 그 불확실성을 반영한다. 즉, 평균 추정치는 데이터가 실제로 지지하는 바에 대해 더 정직하다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
Method map
The neighbourhood of related methods — select a node to explore.
+9 more
출처
- Hoeting, J. A., Madigan, D., Raftery, A. E. & Volinsky, C. T. (1999). Bayesian Model Averaging: A Tutorial. Statistical Science, 14(4), 382–401. link ↗
- Zeugner, S. & Feldkircher, M. (2015). Bayesian Model Averaging Employing Fixed and Flexible Priors: The BMS Package for R. Journal of Statistical Software, 68(4), 1–37. DOI: 10.18637/jss.v068.i04 ↗
이 페이지 인용 방법
ScholarGate. (2026, June 1). Bayesian Model Averaging. ScholarGate. https://scholargate.app/ko/bayesian/bayesian-model-averaging
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.
- 베이지안 계층 모델베이지안↔ compare
- 베이즈 회귀베이지안↔ compare
- Elastic Net머신러닝↔ compare
- 라쏘 회귀머신러닝↔ compare
- 마르코프 연쇄 몬테카를로 (MCMC)베이지안↔ compare