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！
การอ้างอิง
จัดทุกอย่างให้เป็นระเบียบอยู่เสมอด้วยคอลเล็กชัน
บันทึกและจัดหมวดหมู่เนื้อหาตามค่ากำหนดของคุณ
Brooks, S., Gelman, A., วิธีการทั่วไปสำหรับการตรวจสอบการบรรจบกันของ
ซ้ำ
เครื่องมือจำลอง
1998
Chen, A., Chan, D., Koehler, J., Wang, Y., อา., Y., Jin, Y., Perry, M.,
Google, Inc. การแก้ไขอคติสำหรับการค้นหาที่เสียค่าใช้จ่ายในสื่อผสม
การสร้างแบบจำลอง
2018
คล๊าค, ไมเคิล ข้อมูลเบื้องต้นเกี่ยวกับ Bayesian: การแนะนำเชิงแนวคิดเกี่ยวกับการประยุกต์ใช้
ใน R และ
Stan
University of Michigan (11-09-2015)
Gelman, A., Rubin, D., การอนุมานจากการจำลองแบบทำซ้ำโดยใช้หลายรายการ
ลำดับ
1992
Hern ’an MA, Robins JM (2020). การอนุมานทั่วไป: อะไร
หาก โบค่า
ราตัน: Chapman & ฮอลล์/CRC
Jin, Y., Wang, Y., อา., Y., Chan, D., Koehler, J., Google Inc. เบเยสเชียน
วิธีการสร้างรูปแบบสื่อผสมด้วย Carryover และรูปร่าง
เอฟเฟกต์
2017
อ. จ. Wang, Z. & Dai, A. แบบจำลองค่าสัมประสิทธิ์ที่แปรผันตามเวลาแบบเบเยสเชียนซึ่งมี
แอปพลิเคชันสำหรับ Marketing Mix Modeling
2021
เพิร์ล จูเดีย ความสัมพันธ์ระหว่างเหตุและผล สำนักพิมพ์มหาวิทยาลัยเคมบริดจ์ (14-09-2009) ISBN
9781139643986
Spline (คณิตศาสตร์)
Wikipedia
อา., Y., Wang, Y., Jin, Y., Chan, D., Koehler, J., Google Inc. ระดับภูมิศาสตร์
มิกซ์สื่อลำดับขั้นแบบ Bayesian
การสร้างแบบจำลอง
2017
ความน่าจะเป็นของ Tensorflow
Wang, Y., Jin, Y., อา., Y., Chan, D., Koehler, J., Google Inc. A
แนวทางแบบ Bayesian แบบลำดับชั้นเพื่อปรับปรุงรูปแบบสื่อผสมโดยใช้หมวดหมู่
ข้อมูล
2017
Zhang, Y., Wurm, M., Li, E., Wakim, A., Kelly, J., ราคา, B., Liu, Y.,
Google Inc. การปรับเทียบโมเดลสื่อผสมด้วย Bayesian
ก่อนหน้า
2023
Zhang, Y., Wurm, M., Wakim, A., Li, E., Liu, Y., Google Inc. เบเยสเชียน
รูปแบบสื่อผสมแบบลำดับชั้นที่รวมการเข้าถึงและความถี่
ข้อมูล
2023
เนื้อหาของหน้าเว็บนี้ได้รับอนุญาตภายใต้ใบอนุญาตที่ต้องระบุที่มาของครีเอทีฟคอมมอนส์ 4.0 และตัวอย่างโค้ดได้รับอนุญาตภายใต้ใบอนุญาต Apache 2.0 เว้นแต่จะระบุไว้เป็นอย่างอื่น โปรดดูรายละเอียดที่นโยบายเว็บไซต์ Google Developers Java เป็นเครื่องหมายการค้าจดทะเบียนของ Oracle และ/หรือบริษัทในเครือ
อัปเดตล่าสุด 2024-09-05 UTC
[null,null,["อัปเดตล่าสุด 2024-09-05 UTC"],[[["\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."]]
