Порівняння методів
Переглядайте обрані методи поруч; рядки з відмінностями підсвічено.
| Метод Монте-Карло на основі ланцюгів Маркова (MCMC)× | Змішана модель ефектів× | |
|---|---|---|
| Галузь≠ | Баєсові методи | Статистика |
| Родина≠ | Bayesian methods | Regression model |
| Рік появи≠ | — | 1982 |
| Автор методу≠ | — | Laird & Ware |
| Тип≠ | Posterior sampling algorithm | Mixed effects regression |
| Основоположне джерело≠ | 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 ↗ |
| Інші назви≠ | markov chain monte carlo, MCMC sampling, MCMC (Markov Zinciri Monte Carlo) | LME, LMM, mixed model, random effects model |
| Пов'язані≠ | 3 | 4 |
| Підсумок≠ | Markov Chain Monte Carlo (MCMC) is a family of computational algorithms for sampling from complex probability distributions, most commonly the posterior distributions that arise in Bayesian inference. Rather than computing posteriors analytically — which is rarely possible for realistic models — MCMC constructs a Markov chain whose stationary distribution is the target posterior and draws dependent samples from it, enabling full probabilistic inference for virtually any model. | 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. |
| ScholarGateНабір даних ↗ |
|
|