贝叶斯统计信息

从 V25 开始，IBM® SPSS® Statistics 为以下贝叶斯统计提供支持。

单样本和双样本 T 检验

“贝叶斯单样本推论”过程提供用于通过描述后验分布特征对单样本和双样本配对 T 检验进行贝叶斯推论的选项。当具有正态数据时，可以使用正态先验来获取正态后验。

二项比例检验

“贝叶斯单样本推论：二项”过程提供用于对二项分布执行贝叶斯单样本推论的选项。有关参数为 π，它表示可能导致成功或失败的固定数量的试验中的成功概率。请注意，每个试验相互独立，并且概率 π 在每个试验中保持相同。 二项随机变量可被视为固定数量的独立 Bernoulli 试验的总和。

泊松分布分析

“贝叶斯单样本推论：泊松”过程提供用于对二项分布执行贝叶斯单样本推论的选项。泊松分布（一种针对罕见事件的有用模型）假设在较小时间间隔内，事件发生的概率与等待时间的长度成比例。在得出对泊松分布的贝叶斯统计推论时，将使用伽玛分布族中的共轭先验。

相关样本

贝叶斯相关样本推论设计与贝叶斯单一样本推论在配对样本处理方面非常相似。您可以成对指定变量名称，并对平均值差值运行贝叶斯分析。

独立样本 T 检验

“贝叶斯独立样本推论”过程为使用组变量来定义两个不相关组以及对两个组平均值的差值执行贝叶斯推论提供选项。您可以使用不同方法估算贝叶斯因子，也可以通过假设方差为已知或未知来描述所需后验分布的特征。

成对相关性 (Pearson)

有关 Pearson 相关系数的贝叶斯推论测量联合遵循双变量正态分布的两个刻度变量之间的线性相关性。对于有关相关系数的传统统计推论已进行广泛讨论，并且在 IBM SPSS Statistics 中长期提供其实践。有关 Pearson 相关系数的贝叶斯推论的设计允许您通过估算贝叶斯因子和描述后验分布特征来得出贝叶斯推论。

线性回归

有关线性回归的贝叶斯推论是定量建模中广泛使用的一种统计方法。线性回归是一种基本的标准方法，其中研究人员使用多个变量值来说明或预测刻度结果的值。贝叶斯单变量线性回归是在贝叶斯推论的上下文中执行统计分析的一种线性回归方法。

单向 ANOVA

贝叶斯单向 ANOVA 过程通过单因子（独立）变量生成对定量因变量的单向方差检验分析。方差分析用于检验数个平均值相等的假设。SPSS Statistics 支持贝叶斯因子、共轭先验和无信息先验。

对数线性回归

用于检验两个因子的独立性的设计需要两个分类变量来构造列联表，以及对行-列关联进行贝叶斯推论。您可以通过采用不同模型来估算贝叶斯因子，并通过模拟交互项的同时可信区间来描述所需后验分布的特征。