Ein Bayesianischer Ansatz für nichtlineare latente Variablenmodelle unter Verwendung des Gibbs-Samplers und des Metropolis-Hastings-Algorithmus

Nichtlineare latente Variablenmodelle werden spezifiziert, die quadratische Formen und Interaktionen latenter Regressorvariablen als Spezialfälle einschließen. Um die Parameter zu schätzen, werden die Modelle in einen bayesianischen Rahmen mit konjugierten Priors für die Parameter gesetzt. Die posterioren Verteilungen der Parameter und der latenten Variablen werden unter Verwendung von Markov-Ketten-Monte-Carlo-Methoden wie dem Gibbs-Sampler und dem Metropolis-Hastings-Algorithmus geschätzt. Die vorgeschlagenen Schätzmethoden werden durch zwei Simulationsstudien und durch die Schätzung eines nichtlinearen Modells für die Abhängigkeit der Leistung von der Aufgabenkomplexität und der Zielgenauigkeit unter Verwendung empirischer Daten veranschaulicht.