本文介绍了一种新型的贝叶斯分析方法——部分折叠Gibbs采样器（PCG），应用于线性混合效应模型，以提高收敛性能。通过重新参数化模型组件，使得组内方差表示组间方差，从而简化了混合效应模型的分析。模拟研究和睡眠剥夺研究的数据应用展示了PCG采样器相对于传统Gibbs采样器的优势。
本文介绍了线性混合效应模型的新型贝叶斯分析。该分析基于部分折叠的方法，该方法允许某些组件从模型中部分折叠。得到的部分折叠的Gibbs（PCG）采样器被构造成适合线性混合效应模型，预计会比相应的Gibbs采样器表现出更好的收敛特性。为了构建PCG采样器而不使组件更新复杂化，我们考虑通过在线性混合效应模型中根据组内方差表示组间方差来重新参数化模型组件。
简介
已经开发出混合效应模型来处理相关响应数据并考虑多种变化来源。为了解释响应变量的依赖结构，混合效应模型不仅包含固定效应，还包含将某些协变量视为随机变量的随机效应。混合效应模型在一段时间内对受试者进行重复测量的环境中特别方便。与传统的纵向数据方法相比，混合效应模型也可以处理缺失值。
方法 具有适当先验分布的混合效应模型考虑一般的混合效应模型
（1）
（2）
其中b=（b1，b2，...，bk）是随机效应的q×k矩阵，Y= {Yi}ki= 1是观测数据的集合，
代表逆Wishart分布，和
最低0.47元/天 解锁文章
2万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
