METHOD · mth_bayesian_hierarchical · v2
Bayesian Hierarchical / Multilevel Modeling
贝叶斯层级模型
对多层级、部分汇聚(partial pooling)与参数不确定性进行概率建模,在组间共享信息的同时保留层级差异。
这是一份有来源的研究方法资料卡,尚未经过领域专家核验。书目核对与方法适用性分别记录,实施前请结合研究设计复核。
方法身份
- 规范名称
- Bayesian Hierarchical / Multilevel Modeling
- 别名
- Bayesian multilevel model、Hierarchical Bayesian model、贝叶斯层级模型
- 方法族
- Bayesian modeling / hierarchical data
以上名称和分类来自此版本资料卡,不代表方法之间存在已核验的关系或适用性。
从资料卡到研究设计
编辑整理的设计输入与可能输出;并非平台支持的运行接口、实际分析结果或专家适用性核验。
编辑整理日期:2026-10-10 · 专家适用性尚未核验
核对输入与输出的来源 ↗目标量与分析目的
模型定义的后验参数、预测量或决策相关函数;取决于具体层级模型。
需要准备的输入
- 观测数据、组别层级、似然及先验
- 参数约束、采样设置与模型核对规则
可能产生的输出
- 参数后验、组别部分汇聚及后验预测
- 采样收敛与预测核对;可信区间依赖模型和先验
数据条件
- 具有层级/分组结构或需要共享信息的参数集合
- 明确 likelihood、prior 与层级结构
识别与适用假设
- 结论依赖完整概率模型与先验
- 层级结构需与实际数据生成/抽样结构相符
- 因果问题仍需独立的因果识别设计
常见失败
- 只报告后验均值而不做模型/采样诊断
- 层级结构设定与数据聚类不匹配
- 把 credible interval 当成任何模型下都有效的客观概率
不能支持的结论
- 贝叶斯推断本身不产生因果识别
- “弱信息先验”不等于无先验影响
- 层级模型不能自动纠正选择偏差
诊断与核对
- prior predictive checks
- posterior predictive checks
- MCMC convergence/ESS/R-hat(若使用 MCMC)
- 敏感性分析与模型比较
可比较的替代方法
- Frequentist mixed-effects models
- GEE(若目标是 population-averaged)
- fully pooled / unpooled models for sensitivity comparison
来源与参考
- Bayesian Data Analysis, Third Edition
Andrew Gelman; John B. Carlin; Hal S. Stern; David B. Dunson; Aki Vehtari; Donald B. Rubin · 2013
独立书目核对只涉及来源身份;不表示本方法全部说明已获专家核验或全文复用授权。
书目身份已独立核对 · 2026-10-07
打开原始来源 ↗
来源链接用于核对。来源可访问不代表已获全文或代码再分发授权。
资料卡记录的来源范围
Author-hosted BDA3 page verifies the reference work and its practical Bayesian modeling scope; individual hierarchical-model claims remain general and require expert review before production verification.
对象关系
关系连接明确的对象版本。前置知识指学习或实现知识;搭配关系是编辑建议,尚未统计真实使用频率。
此对象版本尚未收录明确版本的关系。