Bayesiskā hierarhiskā modelēšana
Bayesiskā hierarhiskā modelēšana, ko popularizēja Gelman un Hill (2006), ir Bayesiskā pieeja ligzdotām datu struktūrām — piemēram, skolēniem skolās rajonos —, kas novērtē atsevišķus parametrus katrā līmenī, vienlaikus ļaujot šiem līmeņiem dalīties statistiskajā spēkā, izmantojot mehānismu, ko sauc par daļēju apvienošanu. Turpretī klasiskais hierarhiskais lineārais modelis grupu vidējos rādītājus uzskata par fiksētām nezināmām vērtībām, bet Bayesiskā versija uzliek hiperprioritātes sadalījumus šiem grupu vidējiem rādītājiem, lai informācija brīvi plūstu starp līmeņiem, radot uzticamākus grupu līmeņa novērtējumus, ja kādai atsevišķai grupai ir maz novērojumu.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
+5 more
Avoti
- 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
Kā citēt šo lapu
ScholarGate. (2026, June 1). Bayesian Hierarchical (Multilevel) Model. ScholarGate. https://scholargate.app/lv/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.
- Beijesiskā regresijaBajesa metodes↔ compare
- Hierarhiskais lineārais modelis (HLM)Statistika↔ compare
- Mārkova ķēžu Montekarlo (MCMC)Bajesa metodes↔ compare
- Jaukto efektu modelisStatistika↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →