加入新推出的
Discord 社区，展开实时讨论，获得同行支持，并直接与 Meridian 团队互动！
المراجع
تنظيم صفحاتك في مجموعات
يمكنك حفظ المحتوى وتصنيفه حسب إعداداتك المفضّلة.
بروكس إس. غيلمان إيه. طرق عامة لمراقبة تقارب
تكراري
ألعاب المحاكاة
1998.
Chen, A., Chan, D., Koehler, J., وانغ واي Sun, Y., Jin وY., بيري، إم.،
Google, Inc. تصحيح التحيز لنتائج البحث المدفوعة في مجموعة القنوات الإعلامية
النمذجة،
2018.
مايكل، مايكل. أساسيات بايزيان: مقدمة مفاهيمية حول التطبيق
في R و
ستان
جامعة ميشيغان. (11-09-2015).
غيلمان إيه. Rubin, D., الاستنتاج من المحاكاة التكرارية باستخدام الخيارات المتعدّدة
التسلسلات،
1992.
هيرنان MA, Robins JM (2020). الاستنتاج السببي: التعريف
إذا: بوكا
راتون: تشابمان هول/CRC.
Jin وY., وانغ واي Sun, Y., Chan, D., Koehler, J., Google Inc. Bayesian
طرق نمذجة تشكيلة الوسائط باستخدام مخطط الانتقال والشكل
التأثيرات
2017
نغ وهـ. Wang, Z., & داي، إيه. نموذج معامل بايز متغير الوقت مع
التطبيقات على وضع نماذج المزيج التسويقي
2021.
لؤلؤة، جوديا. السببية. مطبعة جامعة كامبريدج. (2009-09-14) رقم ISBN
9781139643986.
Spline (الرياضيات)،
ويكيبيديا
Sun, Y., وانغ واي Jin وY., Chan, D., Koehler, J., Google Inc. المستوى الجغرافي
تشكيلة وسائل الإعلام الهرمية على بايز
وضع النماذج
2017
Tensorflow Probability (احتمالية Tensorflow)
وانغ واي Jin وY., Sun, Y., Chan, D., Koehler, J., Google LLC (أ)
نهج بايز الهرمي لتحسين نماذج مجموعة القنوات الإعلانية باستخدام الفئة
البيانات،
2017
تشانغ واي Wurm, M., لي وإي. Wakim, A., كيلي جيه. السعر، ب.، ليو يو.
Google Inc. معايرة نموذج مجموعة Media Mix باستخدام Bayesian
سابقون
2023.
تشانغ واي Wurm, M., Wakim, A., لي وإي. ليو يو. Google Inc. Bayesian
نموذج مجموعة القنوات الإعلانية الهرمي الذي يدمج مدى الوصول ومعدل التكرار
البيانات
2023.
إنّ محتوى هذه الصفحة مرخّص بموجب ترخيص Creative Commons Attribution 4.0 ما لم يُنصّ على خلاف ذلك، ونماذج الرموز مرخّصة بموجب ترخيص Apache 2.0. للاطّلاع على التفاصيل، يُرجى مراجعة سياسات موقع Google Developers. إنّ Java هي علامة تجارية مسجَّلة لشركة Oracle و/أو شركائها التابعين.
تاريخ التعديل الأخير: 2024-09-05 (حسب التوقيت العالمي المتفَّق عليه)
[null,null,["تاريخ التعديل الأخير: 2024-09-05 (حسب التوقيت العالمي المتفَّق عليه)"],[[["\u003cp\u003eThis compilation of resources focuses on Bayesian methods and their applications, particularly in media mix modeling (MMM) for marketing analysis.\u003c/p\u003e\n"],["\u003cp\u003eSeveral resources explore the use of Bayesian hierarchical models, incorporating factors like carryover effects, shape effects, geographic variations, and category data to enhance MMM accuracy.\u003c/p\u003e\n"],["\u003cp\u003eThe list also includes foundational materials on Bayesian statistics, causal inference, and convergence diagnostics for iterative simulations, providing a comprehensive understanding of the underlying concepts.\u003c/p\u003e\n"],["\u003cp\u003eResources from Google researchers showcase cutting-edge advancements in MMM, including bias correction for paid search, the integration of reach and frequency data, and the utilization of Bayesian priors for model calibration.\u003c/p\u003e\n"],["\u003cp\u003eThis collection serves as a valuable guide for researchers and practitioners seeking to leverage Bayesian techniques for advanced marketing measurement and decision-making.\u003c/p\u003e\n"]]],["The documents cover Bayesian methods and their application in media mix modeling (MMM). Key topics include: bias-variance tradeoff; convergence monitoring for iterative simulations; causal inference; Bayesian hierarchical modeling to improve MMM with category data, reach, frequency, carryover, and shape effects; bias correction for paid search in MMM; and calibration of MMM using Bayesian priors. Splines and TensorFlow Probability are also mentioned, with general bayesian concepts. The work was carried out by researchers in different academic institutions or at google.\n"],null,["# References\n\n- [Bias--variance tradeoff](https://en.wikipedia.org/wiki/Bias%E2%80%93variance_tradeoff),\n Wikipedia.\n\n- Brooks, S., Gelman, A., [General Methods for Monitoring Convergence of\n Iterative\n Simulations](https://www2.stat.duke.edu/%7Escs/Courses/Stat376/Papers/ConvergeDiagnostics/BrooksGelman.pdf),\n 1998.\n\n- Chen, A., Chan, D., Koehler, J., Wang, Y., Sun, Y., Jin, Y., Perry, M.,\n Google, Inc. [Bias Correction For Paid Search In Media Mix\n Modeling](https://research.google/pubs/bias-correction-for-paid-search-in-media-mix-modeling/),\n 2018.\n\n- Clark, Michael. [Bayesian Basics: A conceptual Introduction with application\n in R and\n Stan](https://civil.colorado.edu/%7Ebalajir/CVEN6833/bayes-resources/Intro2Bayes.pdf).\n University of Michigan. (2015-09-11).\n\n- Gelman, A., Goodrich, B., Gabry, J., Vehtari, A., [R-squared for Bayesian\n regression models](https://sites.stat.columbia.edu/gelman/research/published/bayes_R2_v3.pdf),\n 2018.\n\n- Gelman, A., Rubin, D., [Inference from Iterative Simulation Using Multiple\n Sequences](http://www.stat.columbia.edu/%7Egelman/research/published/itsim.pdf),\n 1992.\n\n- Hernán MA, Robins JM (2020). [Causal Inference: What\n If](https://www.hsph.harvard.edu/miguel-hernan/causal-inference-book). Boca\n Raton: Chapman \\& Hall/CRC.\n\n- Jin, Y., Wang, Y., Sun, Y., Chan, D., Koehler, J., Google Inc. [Bayesian\n Methods for Media Mix Modeling with Carryover and Shape\n Effects](https://research.google/pubs/bayesian-methods-for-media-mix-modeling-with-carryover-and-shape-effects/)\n 2017.\n\n- Ng, E., Wang, Z., \\& Dai, A. [Bayesian Time Varying Coefficient Model with\n Applications to Marketing Mix Modeling](https://arxiv.org/abs/2106.03322),\n 2021.\n\n- Pearl, Judea. Causality. Cambridge University Press. (2009-09-14) [ISBN\n 9781139643986](https://isbnsearch.org/isbn/9781139643986).\n\n- [Spline (mathematics)](https://en.wikipedia.org/wiki/Spline_(mathematics)/),\n Wikipedia.\n\n- Sun, Y., Wang, Y., Jin, Y., Chan, D., Koehler, J., Google Inc. [Geo-level\n Bayesian Hierarchical Media Mix\n Modeling](https://research.google/pubs/geo-level-bayesian-hierarchical-media-mix-modeling/)\n 2017.\n\n- [Tensorflow Probability](https://www.tensorflow.org/probability).\n\n- Wang, Y., Jin, Y., Sun, Y., Chan, D., Koehler, J., Google Inc. [A\n Hierarchical Bayesian Approach to Improve Media Mix Models Using Category\n Data](https://research.google/pubs/a-hierarchical-bayesian-approach-to-improve-media-mix-models-using-category-data/),\n 2017.\n\n- Zhang, Y., Wurm, M., Li, E., Wakim, A., Kelly, J., Price, B., Liu, Y.,\n Google Inc. [Media Mix Model Calibration With Bayesian\n Priors](https://research.google/pubs/media-mix-model-calibration-with-bayesian-priors/)\n 2023.\n\n- Zhang, Y., Wurm, M., Wakim, A., Li, E., Liu, Y., Google Inc. [Bayesian\n Hierarchical Media Mix Model Incorporating Reach and Frequency\n Data](https://research.google/pubs/bayesian-hierarchical-media-mix-model-incorporating-reach-and-frequency-data/)\n 2023."]]
