p***e
发帖数: 472 | 1 我在做数据分析，数据已经采好了，我的数据分析是两层的hierarchical linear
model。根据已有的数据，我的几个假设有的成立，有的没有被证明。我想看一下假设
成立和不成立的原因。
1． post hoc power analysis和confidence interval哪一个更有效？
2． 对于hierarchical linear model analysis，哪里可以找到计算的公式？有什
么软件可以做这类分析计算么？
万分感谢回复！ |
l*******y
发帖数: 22 | 2 几点想法
第一：不明白为什么属于bayesian的hierarchical linear model会和confidence
interval这样的名词联系在一起，应该是
posterior interval吧？还有，啥是post hoc power analysis？就gelman那本书：
bayesian data analysis里面讲到的
hierarchical linear model而言，主要的目标是计算parameter的posterior
distributions一类的统计量，而之所以用
hierarchical linear model，很多情况下是因为这种模型可以combine various data
sources，并且在一个linear model
中加入其他的random terms (compare to the error term in linear model)， 有助
于model the extra variance
components. 所以hierarchical linear model的基本用途是这么回事。当然，
hierarchi
【在 p***e 的大作中提到】
: 我在做数据分析，数据已经采好了，我的数据分析是两层的hierarchical linear
: model。根据已有的数据，我的几个假设有的成立，有的没有被证明。我想看一下假设
: 成立和不成立的原因。
: 1． post hoc power analysis和confidence interval哪一个更有效？
: 2． 对于hierarchical linear model analysis，哪里可以找到计算的公式？有什
: 么软件可以做这类分析计算么？
: 万分感谢回复！
|
q********i
发帖数: 795 | 3 同意你后半部分的comment, 但是hierarchical linear model跟baysian没有必然联系
。很多multi-level random effects model都可以看成是hierarchical model，根本用
不着prior.一般proc mixed,甚至proc glm都能做。
data
【在 l*******y 的大作中提到】
: 几点想法
: 第一：不明白为什么属于bayesian的hierarchical linear model会和confidence
: interval这样的名词联系在一起，应该是
: posterior interval吧？还有，啥是post hoc power analysis？就gelman那本书：
: bayesian data analysis里面讲到的
: hierarchical linear model而言，主要的目标是计算parameter的posterior
: distributions一类的统计量，而之所以用
: hierarchical linear model，很多情况下是因为这种模型可以combine various data
: sources，并且在一个linear model
: 中加入其他的random terms (compare to the error term in linear model)， 有助
|
l*******y
发帖数: 22 | 4 你说的正是我所迷惑的地方
hierarchical linear model和random effect model 或者 multi-level model看似很
像，但是有好几个疑点
第一： 前者经常在bayesian学派的书籍中出现，后者几乎只在频率学派的书中出现，
这是否说明这两类模型是两派分别提
出来的？所以还是有所区别的吧。
第二： 有一本书《mixed models》中讲到一点这两者的区别，说他们虽然结构相似，
但是前者的prior是自己给定的，而
后者的“prior”的参数是通过各种优化算法计算出来的，比如em，newton。。
可否指点一下这两者究竟有何关系？
【在 q********i 的大作中提到】
: 同意你后半部分的comment, 但是hierarchical linear model跟baysian没有必然联系
: 。很多multi-level random effects model都可以看成是hierarchical model，根本用
: 不着prior.一般proc mixed,甚至proc glm都能做。
:
: data
|
r******n
发帖数: 351 | 5 hierarchical linear model analysis，的公式在Gelman 的 "Bayesian Data
Analysis"有较详细的介绍。 很多hierarchical linear models 没有analytic的解，
只能用MCMC求解。 可以用 WinBugs （http://www.mrc-bsu.cam.ac.uk/bugs/） 这个免费软件。
【在 p***e 的大作中提到】
: 我在做数据分析，数据已经采好了，我的数据分析是两层的hierarchical linear
: model。根据已有的数据，我的几个假设有的成立，有的没有被证明。我想看一下假设
: 成立和不成立的原因。
: 1． post hoc power analysis和confidence interval哪一个更有效？
: 2． 对于hierarchical linear model analysis，哪里可以找到计算的公式？有什
: 么软件可以做这类分析计算么？
: 万分感谢回复！
|
f***a
发帖数: 329 | 6
random effect model 需要 prior?
不是通过GLS,BLUP算出estimates的么~
【在 l*******y 的大作中提到】
: 你说的正是我所迷惑的地方
: hierarchical linear model和random effect model 或者 multi-level model看似很
: 像，但是有好几个疑点
: 第一： 前者经常在bayesian学派的书籍中出现，后者几乎只在频率学派的书中出现，
: 这是否说明这两类模型是两派分别提
: 出来的？所以还是有所区别的吧。
: 第二： 有一本书《mixed models》中讲到一点这两者的区别，说他们虽然结构相似，
: 但是前者的prior是自己给定的，而
: 后者的“prior”的参数是通过各种优化算法计算出来的，比如em，newton。。
: 可否指点一下这两者究竟有何关系？
|
o****o
发帖数: 8077 | 7 我觉得multi-level model/ REM 是给了 non-informative priori的hierarchical
model。在bayesian的context下，更为复杂，主要是选择priori
【在 l*******y 的大作中提到】
: 你说的正是我所迷惑的地方
: hierarchical linear model和random effect model 或者 multi-level model看似很
: 像，但是有好几个疑点
: 第一： 前者经常在bayesian学派的书籍中出现，后者几乎只在频率学派的书中出现，
: 这是否说明这两类模型是两派分别提
: 出来的？所以还是有所区别的吧。
: 第二： 有一本书《mixed models》中讲到一点这两者的区别，说他们虽然结构相似，
: 但是前者的prior是自己给定的，而
: 后者的“prior”的参数是通过各种优化算法计算出来的，比如em，newton。。
: 可否指点一下这两者究竟有何关系？
|
x*******i
发帖数: 1791 | 8 bayesian random effect model就是一penalized lilelihood function estimation。
和一般的prior还是有点不同。 |
h******a
发帖数: 198 | 9 hierarchical linear model是一种模型假设， 如果不用bayesian的话，其实都可以归
类到mixed model来处理 |
x**g
发帖数: 807 | 10 这些模型是analytical equivalent的，由于用于不同领域，所以有了不同的名称。一
般用SAS PROC MIXED， PROC NLMIXED， WinBugs， R 都可以做的。
【在 l*******y 的大作中提到】
: 你说的正是我所迷惑的地方
: hierarchical linear model和random effect model 或者 multi-level model看似很
: 像，但是有好几个疑点
: 第一： 前者经常在bayesian学派的书籍中出现，后者几乎只在频率学派的书中出现，
: 这是否说明这两类模型是两派分别提
: 出来的？所以还是有所区别的吧。
: 第二： 有一本书《mixed models》中讲到一点这两者的区别，说他们虽然结构相似，
: 但是前者的prior是自己给定的，而
: 后者的“prior”的参数是通过各种优化算法计算出来的，比如em，newton。。
: 可否指点一下这两者究竟有何关系？
|
