Модель с параметрами параметров — способ подогнать и популяцию, и её отдельных членов одновременно.Байесовская иерархическая модель — это статистическая модель с несколькими уровнями параметров, где параметры одного уровня сами моделируются параметрами более высокого уровня. Такая структура позволяет одновременно моделировать отдельные наблюдения и популяцию, из которой они происходят. Например, можно моделировать результаты тестов учеников во многих школах, где у каждой школы есть свой средний балл, но эти школьные средние берутся из общего распределения, представляющего все школы. Такое «заимствование силы» между группами улучшает оценки, особенно для групп с небольшим количеством данных.
Иерархические модели берут начало в работах Чарльза Стайна в 1950-х годах о сжимающих оценках и были формализованы в байесовских терминах Линдли и Смитом в 1972 году. Они стали широко использоваться с появлением MCMC в 1990-х годах.
Модель строится по слоям. На самом нижнем уровне находится функция правдоподобия для каждого наблюдения при заданных индивидуальных параметрах. На следующем уровне предполагается, что эти индивидуальные параметры берутся из общего распределения с гиперпараметрами. Для самих гиперпараметров могут быть заданы априорные распределения. Вывод осуществляется путем вычисления совместного апостериорного распределения по всем параметрам, часто с использованием методов Монте-Карло с марковскими цепями (MCMC). Иерархическая структура позволяет данным влиять как на индивидуальные оценки, так и на распределение на уровне популяции, что приводит к сжатию экстремальных оценок к среднему значению группы.
Они используются в мета-анализе, исследованиях в области образования, клинических испытаниях с несколькими центрами и в экологии для моделирования распределения видов по участкам.
Иерархические модели являются статистической основой «байесовского сжатия», которое может улучшить прогнозы, подтягивая экстремальные оценки к общему среднему — явление, известное как парадокс Стайна.


















