Answers:
这是一个很好的问题。严格来说,使用混合模型不会使您成为贝叶斯模型。想象一下分别估计每个随机效应(将其作为固定效应进行处理),然后查看结果分布。这是“肮脏的”,但从概念上讲,您具有基于相对频率概念的随机效应的概率分布。
但是,如果作为常客,您使用最大的可能性拟合模型,然后希望“估计”随机效应,则可能会有些麻烦。这些数量并没有像典型的回归参数那样固定,因此比“估计”更好的词可能是“预测”。如果要预测给定主题的随机效果,则需要使用该主题的数据。您需要求助于贝叶斯规则,或者至少要求在这里,随机效应分布基本上像先验一样工作。我认为到这一点,许多人将其称为“经验贝叶斯”。g ()
要成为真正的贝叶斯主义者,您不仅需要为随机效果指定分布,还需要为定义该分布的每个参数指定分布(先验),以及所有固定效果参数和模型epsilon的分布。非常激烈!
随机效应是一种通过使用条件分布来指定分布假设的方法。例如,随机单向方差分析模型为: 并且此分布假设等效于 其中具有可交换结构(对角线输入和协方差(ÿ 我1 ⋮ ÿ 我Ĵ)〜IID Ñ ((μ ⋮ μ),Σ ),
我不这么认为,我认为它是似然函数的一部分。这类似于在回归模型中指定误差项服从正态分布,或者可以使用GLM中的逻辑关系对某个二进制过程进行建模。
由于没有使用任何先验信息或分布,因此我不认为它是贝叶斯方法。