Bayesian 統計 - IBM

關於「線性迴歸」的Bayesian 推論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 ... Bayesian統計 從第25版開始，IBM®SPSS®Statistics提供對下列Bayesian統計的支援。

單一樣本及配對樣本T檢定 「Bayesian單一樣本推論」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Bayesian推論。

當您具有常態資料時，可以使用常態事前來取得常態事後。

二項式比例檢定 「Bayesian單一樣本推論：二項式」程序提供選項，可對二項式分配執行Bayesian單一樣本推論。

相關參數為π，表示可能導致成功或失敗的固定試驗數中的成功機率。

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分配分析 「Bayesian單一樣本推論：Poisson」程序提供選項，可對二項式分配執行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Bayesian統計推論時，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「Bayesian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Bayesian推論會測量共同追蹤雙變量常態分配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Bayesian推論的設計可讓您透過估計Bayes因素及描述事後分配繪製Bayesian推論。

線性迴歸 關於「線性迴歸」的Bayesian推論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。

Bayesian單變量線性迴歸是在Bayesian推論的環境定義中進行統計分析的「線性迴歸」方法。

單向ANOVA 「Bayesian單向ANOVA」程序會產生定量因變數對單一因素變數（自變數）的單向變異數分析。

變異數分析是一種假設，用於檢定數個平均數是否相等。

SPSSStatistics支援Bayes因素、共軛事前及非資訊性事前。

對數線性迴歸 用來檢定兩個因素獨立性的設計需要兩個類別變數來建構列聯表，並對列-欄關聯進行Bayesian推論。

您可以透過假設不同的模型估計Bayes因素，透過模擬互動項目的同步可信區間描述所需的事後分配。

Bayesian單一樣本推論：常態 Bayesian單一樣本推論：二項式 Bayesian單一樣本推論：卜瓦松 Bayesian相關樣本推論：常態 Bayesian獨立樣本推論 關於Pearson相關的Bayesian推論 關於線性迴歸模型的Bayesian推論 Bayesian單向ANOVA Bayesian對數線性迴歸模型 上層主題：進階統計量