Odwołania

• Brooks, S., Gelman, A. Ogólne metody monitorowania zbieżności Iteracyjne Symulacje, 1998 r.

• Chen, A. Chan, D., Koehler, J., Wang, Y., Nie, Y, Jin, Y., Perry, M., Google, Inc. Korekta uprzedzeń w przypadku płatnego wyszukiwania w media miksie Modelowanie, 2018 r.

• Clark, Michael. Podstawy Bayesa: wprowadzenie z zakresu zastosowania w R i Stan. z Uniwersytetu Michigan. (11.09.2015).

• Gelman, A. Rubin, D., Wniosek z symulacji iteracyjnej przy użyciu wielu Sekwencje, 1992 r.

• Hern ́an, Massachusetts, Robins JM (2020). Wnioskowanie przyczynowe: co Jeśli: Boca Raton: Chapman Hall/CRC.

• Jin, Y., Wang, Y., Nie, Y, Chan, D., Koehler, J., Google Inc. Bayesian Metody modelowania media miksu z uwzględnieniem przenoszenia i kształtu Efekty 2017 r.

• Ng, E., Wang, Z., & Dai, A. Bayesowski model współczynników zmiennych czasu z Zastosowania do modelowania Marketing Miksu, 2021 r.

• Pearl, Judea. Przyczyną. Cambridge University Press. (2009-09-14) ISBN 9781139643986.

• Spline (matematyka), Wikipedii.

• Nie, Y, Wang, Y., Jin, Y., Chan, D., Koehler, J., Google Inc. Na poziomie geograficznym Bayesowski hierarchiczny media miks Modelowanie 2017 r.

• prawdopodobieństwo Tensorflow.

• Wang, Y., Jin, Y., Nie, Y, Chan, D., Koehler, J., Google Inc. A Hierarchiczne podejście Bayesowskie do udoskonalania modeli media miksu za pomocą kategorii Dane, 2017 r.

• Zhang, Y. Wurm, M., Li, E., Wakim, A., Kelly, J., Price, B., Liu, Y., Google Inc. Kalibracja modelu media miksu z Bayesianem Poprzednie edycje 2023 r.

• Zhang, Y. Wurm, M., Wakim, A., Li, E., Liu, Y., Google Inc. Bayesian Hierarchiczny model media miksu z uwzględnieniem zasięgu i częstotliwości Dane 2023 r.