Daudzlīmeņu Bēsa secinājumi
Daudzlīmeņu Bēsa secinājumi apvieno Bēsa varbūtību ar hierarhiskām datu struktūrām, uzskatot grupu līmeņa parametrus par iegūtiem no kopīgas populācijas sadalījuma. Tā vienlaicīgi novērtē vienību līmeņa efektus un hiperparametrus, kas regulē to variāciju, izplatot pilnīgu nenoteiktību caur katru hierarhijas līmeni, izmantojot a posteriori izlasi.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- Gelman, A., & Hill, J. (2007). Data Analysis Using Regression and Multilevel/Hierarchical Models. Cambridge University Press. ISBN: 978-0521686891
- Raudenbush, S. W., & Bryk, A. S. (2002). Hierarchical Linear Models: Applications and Data Analysis Methods (2nd ed.). Sage Publications. ISBN: 978-0761919049
Kā citēt šo lapu
ScholarGate. (2026, June 3). Multilevel Bayesian Inference. ScholarGate. https://scholargate.app/lv/bayesian/multilevel-bayesian-inference
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.
- Bayesiskais hierarhiskais modelis ar trūkstošiem datiemBajesa metodes↔ compare
- Beijesiskā regresijaBajesa metodes↔ compare
- Hierarhiskā Bayesas inferencēšanaBajesa metodes↔ compare
- Mārkova ķēžu Montekarlo (MCMC)Bajesa metodes↔ compare
- Daudzlīmeņu MCMCBajesa metodes↔ compare
- Variacionālā secinājumiBajesa metodes↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →