การเปรียบเทียบที่ดีเพื่อแสดงให้เห็นถึงจุดแข็งของแบบจำลองลำดับชั้น Bayesian คืออะไร

ฉันค่อนข้างใหม่กับสถิติแบบเบย์และใช้ JAGS เมื่อเร็ว ๆ นี้เพื่อสร้างแบบจำลองแบบเบย์แบบลำดับชั้นในชุดข้อมูลที่แตกต่างกัน ในขณะที่ฉันพอใจกับผลลัพธ์มาก (เมื่อเทียบกับโมเดล glm มาตรฐาน) ฉันต้องอธิบายให้ผู้ที่ไม่ใช่นักสถิติเห็นว่าความแตกต่างของแบบจำลองทางสถิติมาตรฐานคืออะไร โดยเฉพาะอย่างยิ่งฉันต้องการแสดงให้เห็นว่าทำไมและเมื่อ HBMs ทำงานได้ดีกว่าแบบจำลองที่ง่ายกว่า

การเปรียบเทียบจะมีประโยชน์โดยเฉพาะอย่างยิ่งที่แสดงองค์ประกอบสำคัญบางอย่าง:

• หลายระดับของความแตกต่าง
• ความจำเป็นในการคำนวณเพิ่มเติมเพื่อให้พอดีกับโมเดล
• ความสามารถในการดึง "สัญญาณ" เพิ่มเติมจากข้อมูลเดียวกัน

โปรดทราบว่าคำตอบนั้นควรเป็นการเปรียบเทียบกับคนที่ไม่มีสถิติไม่ใช่ตัวอย่างที่ง่ายและดูดี

$N_i$$x_i$$\theta_i$
$N_i$
$\theta_i$
$\theta_i$$\theta_i$$x_i \sim Bin(N_i,\theta_i)$$\theta_i \sim Beta(a,b)$
$p(D,\theta,\eta|N)= p(\eta)\prod_{i=1}^N Bin(x_i|N_i,\theta_i)Beta(\theta_i|\eta)$$\eta = (a,b)$$\eta$$\theta_i$$\eta$
$\theta_i$

เมื่อคุณป่วยคุณสังเกตอาการ แต่สิ่งที่คุณต้องการคือการวินิจฉัย หากคุณไม่ใช่แพทย์ฉันเดาว่าคุณสามารถหาการวินิจฉัยที่ตรงกับอาการของคุณที่สุด แต่สิ่งที่ Ph HBM จะทำคือดูอาการของคุณความหมายสัมพัทธ์ของพวกเขาวิธีที่พวกเขาเหมาะสม / เกี่ยวข้องกับปัญหาสุขภาพที่แตกต่างกันก่อนหน้านี้หนึ่งในครอบครัวของคุณโรคที่พบบ่อยในปัจจุบันและสภาพแวดล้อมจุดอ่อนของคุณ ... จากนั้นเขาก็จะรวมสิ่งเหล่านี้เข้าด้วยกันโดยใช้ความรู้เพื่อปรับปรุงสิ่งที่เขาคาดเดาเกี่ยวกับสภาวะสุขภาพของคุณและจะให้การวินิจฉัยที่เป็นไปได้มากขึ้น

ฉันแน่ใจว่าการเปรียบเทียบนี้บรรลุข้อ จำกัด ในไม่ช้า แต่ฉันคิดว่ามันสามารถให้สัญชาตญาณที่ดีในสิ่งที่เราคาดหวังจาก HBM ใช่ไหม? (และฉันไม่พบสิ่งที่ดีกว่า)