Порівняння методів
Переглядайте обрані методи поруч; рядки з відмінностями підсвічено.
| Динамічна байєсівська ієрархічна модель× | Ієрархічний байєсівський висновок× | |
|---|---|---|
| Галузь | Баєсові методи | Баєсові методи |
| Родина | Bayesian methods | Bayesian methods |
| Рік появи≠ | 1990s | 1972 (Lindley & Smith); consolidated 1995–2013 |
| Автор методу≠ | West, Harrison, and colleagues | Lindley & Smith; Gelman et al. |
| Тип≠ | Bayesian hierarchical state-space model | Bayesian multilevel model |
| Основоположне джерело≠ | West, M. & Harrison, J. (1997). Bayesian Forecasting and Dynamic Models (2nd ed.). Springer. ISBN: 978-0387947259 | 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 |
| Інші назви | DBHM, dynamic hierarchical Bayes, Bayesian dynamic multilevel model, state-space hierarchical Bayesian model | multilevel Bayesian modeling, Bayesian hierarchical model, nested Bayesian model, partial pooling model |
| Пов'язані≠ | 4 | 6 |
| Підсумок≠ | A Dynamic Bayesian Hierarchical Model combines the multilevel structure of Bayesian hierarchical models with an explicit time-evolution equation for the latent states. Observations at each time point are linked to unobserved dynamic states, which evolve according to a probabilistic transition law, while a shared hyperprior pools information across units or levels, enabling coherent inference over time and across groups simultaneously. | 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. |
| ScholarGateНабір даних ↗ |
|
|