Brooks, S. Gelman, A. Metodi generali per il monitoraggio della convergenza delle Iterativo Simulazioni, 1998.
Chen, A. Chan, D. Koehler, J. Wang, Y. dom, Y. Jin, Y. Perry, M. Google, Inc. Correzione dei bias per la ricerca a pagamento nei media mix modellazione, 2018.
Clark, Michael. Bayesian Basics: Un'introduzione concettuale con l'applicazione in R e Stan. University of Michigan. (11/09/2015).
Gelman, A. Rubin, D. Inferenza da una simulazione iterativa mediante l'uso di più Sequenze, 1992.
Hern'an MA, Robins JM (2020). Inferenza causale: che cosa Se. Boca Raton: Chapman e Hall/CRC.
Jin, Y. Wang, Y. dom, Y. Chan, D. Koehler, J. Google Inc. Bayesian Metodi per la modellazione di media mix con riporto e forma Effetti 2017.
Ng, E. Wang, Z. & Dai, A. Modello di coefficienti di variazione del tempo bayesiani con applicazioni per Marketing Mix Modeling, 2021.
Perla, Giudea. Causalità. Cambridge University Press. (14/09/2009) ISBN 9781139643986.
Spline (matematica), Wikipedia.
dom, Y. Wang, Y. Jin, Y. Chan, D. Koehler, J. Google Inc. Livello geografico Media mix gerarchico bayesiano Modellazione 2017.
Wang, Y. Jin, Y. dom, Y. Chan, D. Koehler, J. Google LLC A Approccio gerarchico bayesiano a migliorare i modelli di media mix utilizzando la categoria dati, 2017.
Zhang, Y. Wurm, M. Li, E. Wakim, A. Kelly, J. Prezzo, B. Liu, Y. Google Inc. Calibrazione del modello di media mix con bayesiana Priorità 2023.
Zhang, Y. Wurm, M. Wakim, A. Li, E. Liu, Y. Google Inc. Bayesian Modello di media mix gerarchico che incorpora copertura e frequenza Dati 2023.
Riferimenti
Salvo quando diversamente specificato, i contenuti di questa pagina sono concessi in base alla licenza Creative Commons Attribution 4.0, mentre gli esempi di codice sono concessi in base alla licenza Apache 2.0. Per ulteriori dettagli, consulta le norme del sito di Google Developers. Java è un marchio registrato di Oracle e/o delle sue consociate.
Ultimo aggiornamento 2024-09-05 UTC.
[[["Facile da capire","easyToUnderstand","thumb-up"],["Il problema è stato risolto","solvedMyProblem","thumb-up"],["Altra","otherUp","thumb-up"]],[["Mancano le informazioni di cui ho bisogno","missingTheInformationINeed","thumb-down"],["Troppo complicato/troppi passaggi","tooComplicatedTooManySteps","thumb-down"],["Obsoleti","outOfDate","thumb-down"],["Problema di traduzione","translationIssue","thumb-down"],["Problema relativo a esempi/codice","samplesCodeIssue","thumb-down"],["Altra","otherDown","thumb-down"]],["Ultimo aggiornamento 2024-09-05 UTC."],[[["This compilation of resources focuses on Bayesian methods and their applications, particularly in media mix modeling (MMM) for marketing analysis."],["Several resources explore the use of Bayesian hierarchical models, incorporating factors like carryover effects, shape effects, geographic variations, and category data to enhance MMM accuracy."],["The list also includes foundational materials on Bayesian statistics, causal inference, and convergence diagnostics for iterative simulations, providing a comprehensive understanding of the underlying concepts."],["Resources 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."],["This collection serves as a valuable guide for researchers and practitioners seeking to leverage Bayesian techniques for advanced marketing measurement and decision-making."]]],["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"]]