貝氏統計量

IBM® SPSS® Statistics 提供下列 Bayesian 統計資料的支援。

單樣本和成對樣本 T 檢定

「貝氏單樣本推斷」程序提供選項，可透過描述事後分佈對單樣本及兩個樣本配對 T 檢定進行貝氏推斷。 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

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

卜瓦松分佈分析

「貝氏單樣本推斷：卜瓦松」程序提供選項，可對卜瓦松分佈執行貝氏單樣本推斷。 稀有事件的有用模型卜瓦松分佈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。 對卜瓦松分佈繪製貝氏統計量推斷時，會使用 Gamma 分佈系列內的共軛先驗。

相關樣本

貝氏相關樣本推斷設計與貝氏單樣本推斷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

「貝氏獨立樣本推斷」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貝氏推斷。 您可以使用不同的方法估計貝氏因子，還可以透過假設變異數已知或不明來描述所需的事後分佈。

成對相關 (Pearson)

關於皮爾遜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斷已得到廣泛討論，並且 IBM SPSS Statistics 中長期提供其練習。 關於皮爾遜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

關於「線性迴歸」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。 貝氏單變數線性迴歸是在貝氏推斷的環境定義中進行統計分析的「線性迴歸」方法。

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。 變異數分析是一種假設，用於檢定數個平均數是否相等。 SPSS Statistics 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類別變數來建構列聯表，並對列-欄關聯進行貝氏推斷。 您可以透過假設不同的模型估計貝氏因子，透過模擬互動項目的同步可信區間描述所需的事後分佈。

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）。