貝氏(Bayesian) 統計資料 - IBM

IBM® SPSS Statistics 提供了下列貝氏(Bayesian) 統計資料的支援。

單樣本和成對樣本T 檢定: 「貝氏單一樣本推斷」程序提供選項，可透過描述事後分配對單一樣本及兩個 ... 貝氏(Bayesian)統計資料 IBM®SPSSStatistics提供了下列貝氏(Bayesian)統計資料的支援。

單樣本和成對樣本T檢定 「貝氏單一樣本推斷」程序提供選項，可透過描述事後分配對單一樣本及兩個樣本配對T檢定進行貝氏推斷。

當您具有正常資料時，可以使用正常事前來取得正常後驗。

二項式比例檢定 「貝氏單樣本推論：二項式」程序提供選項，可對二項式分佈執行貝氏單樣本推論。

相關參數為π，它表示在可能導致成功或失敗的固定試驗次數中成功的機率。

請注意，每一個試驗彼此獨立，機率π會在每一個試驗中保持不變。

可以將二項式隨機變數視為固定獨立Bernoulli試驗數的總和。

Poisson分佈分析 「Bayesian單一樣本推論：Poisson」程序提供選項，可對Poisson分配執行Bayesian單一樣本推論。

稀有事件的有用模型Poisson分配假設在較小的時間間隔內，發生事件機率與等待時間長度成比例。

對Poisson分配繪製貝氏統計推斷時，會使用Gamma分配系列內的共軛事前。

相關樣本 Bayesian相關樣本推論設計與Bayesian單一樣本推論在處理成對樣本時非常相似。

您可以指定成對的變數名稱，並對平均數差異執行「貝氏分析」。

獨立樣本T檢定 「Bayesian獨立樣本推論」程序提供選項，可使用群組變數定義兩個不相關的群組，並對兩個群組平均數的差異進行Bayesian推論。

您可以使用不同的方法估計Bayes因素，還可以透過假設變異數已知或不明來描述所需的事後分配。

成對相關(Pearson) 關於Pearson相關係數的貝氏推斷會測量共同追蹤雙變量常態分佈的兩個尺度變數之間的線性關係。

關於相關係數的慣用統計推論已得到廣泛討論，並且IBMSPSSStatistics中長期提供其練習。

關於Pearson相關係數的貝氏推斷的設計可讓您透過估計貝氏因子及描述事後分佈繪製貝氏推斷。

線性迴歸 「線性回歸」的貝氏推斷是在定量建模中廣泛使用的統計方法。

「線性迴歸」是一種基本的標準方法，在這種方法中研究人員使用數個變數的值來說明或預測尺度成果的值。

貝氏單變量線性迴歸是一種線性回歸方法，用於在貝氏推斷的環境定義中進行統計分析。

單向ANOVA 「貝氏單向ANOVA」程序會產生定量應變數對單一因素變數（自變數）的單向變異數分析。

變異數分析用來檢定假設，即檢定數個平均數是否相等。

SPSSStatistics支援貝氏因子、共軛先驗及非資訊性事前。

對數線性迴歸模型 用來檢定兩個因素獨立性的設計需要兩個種類變數來建構列聯表，並對列-欄關聯進行貝氏(Bayesian)推斷。

您可以透過假設不同的模型估計貝氏(Bayes)因子，透過模擬互動項目的同步可信區間描述所需的驗後分配。

單向重複測量ANOVA 「貝氏單向重複測量ANOVA」程序會在每一個不同的時間點或條件下測量相同受試者的一個因素，並容許受試者在層次內交叉。

假設每一個受試者針對每一個時間點或條件都有單一觀察值（像這樣則不會說明受試者治療交互作用）。

貝氏(Bayesian)單樣本推斷：正常 貝氏單樣本推論：二項式 貝氏單樣本推斷：Poisson 貝氏(Bayesian)相關樣本推斷：正常 貝氏獨立樣本推斷 關於Pearson相關的貝氏推斷 線性迴歸模型的貝氏推斷 貝氏單向ANOVA 貝氏對數線性模型 Bayesian單向重複測量ANOVA模型 上層主題：進階統計量