Un tutorial sulla selezione, traduzione e segnalazione dei priori di varianza nei modelli bayesiani multilivello.
Titolo originaleA tutorial on selecting, translating, and reporting variance priors in Bayesian multilevel models.
Behavior research methods · 2026
Sintesi in italiano
I modelli bayesiani multilivello sono sempre più utilizzati nella ricerca psicologica, educativa e comportamentale. Tuttavia, le indicazioni pratiche per specificare i priori relativi alle componenti di varianza scalare sono ancora scarse. Questo tutorial offre un percorso operativo per identificare le componenti di varianza di interesse, selezionare valori di riferimento, calibrare i priori sia in scala di varianza che di deviazione standard, tradurli in specifiche compatibili con i software, e valutarne le implicazioni attraverso controlli predittivi a priori, confronti posteriori, analisi di sensibilità e una segnalazione trasparente. Vengono esaminate diverse famiglie di priori comunemente utilizzate, come gamma, inverse-gamma, half-t e half-Cauchy, con chiarimenti sulle loro parametrizzazioni in termini di varianza, precisione o deviazione standard. L'obiettivo è aiutare i ricercatori ad allineare la scelta dei priori con la conoscenza sostanziale, la parametrizzazione del modello, i vincoli dei software e le esigenze di sensibilità. Come esempio pratico, si presenta un'analisi a due livelli dei dati TIMSS 2019 per mostrare come informazioni di riferimento da un campione indipendente possano essere usate per calibrare e valutare diverse specifiche di priori di varianza. L'illustrazione empirica funge da esempio didattico per dimostrare il flusso di lavoro e le procedure di controllo associate. Vengono sottolineate procedure di salvaguardia pratica quali l'ispezione della densità a priori, i controlli predittivi, il confronto posteriore, la verifica della convergenza, l'analisi di sensibilità e la reportistica trasparente delle ipotesi a priori. Infine, il tutorial riassume considerazioni pratiche basate sulla letteratura per documentare ragioni, decisioni di implementazione e controlli di robustezza nei modelli bayesiani multilivello.
Sintesi generata con IA. Verifica metodi, risultati e limiti nella pubblicazione originale.
Abstract e pubblicazione originale
L’abstract è consultabile nella fonte originale. Non viene ripubblicato qui perché non risulta verificata una licenza compatibile.
Leggi nella fonte originale ↗Parole chiave
Come citare questo studio
Liu L. (2026). A tutorial on selecting, translating, and reporting variance priors in Bayesian multilevel models.. Behavior research methods. DOI: 10.3758/s13428-026-03201-y
Consulta la pubblicazione originale ↗