我之前曾问过这个问题，并且一直在努力确定是什么使模型参数成为潜在变量。因此，查看此站点上有关此主题的各种主题，主要区别似乎是：

未观察到潜在变量，但与它们具有相关的概率分布，因为它们是变量，并且参数也未观察到并且没有与它们相关联的分布，我理解这些是常数并且具有我们正在尝试的固定但未知的值寻找。此外，我们可以将先验放在参数上，以表示我们对这些参数的不确定性，即使只有一个与它们相关联的真实值，或者至少这是我们假设的。我希望我到目前为止是正确的？

现在，我一直在查看来自期刊论文的贝叶斯加权线性回归的示例，并且一直在努力理解什么是参数和什么是变量：

$$y_i = \beta^T x_i + \epsilon_{y_i}$$

这里和，但只有被视为变量，即具有与其相关的分布。$x$$y$$y$

现在，建模假设是：

$$y \sim N(\beta^Tx_i, \sigma^2/w_i)$$

的方差进行加权。$y$

和也有一个先验分布，它们分别是正态分布和伽马分布。 $\beta$$w$

因此，完整的对数似然由下式给出：

$$\log p(y, w, \beta |x) = \Sigma \log P(y_i|w, \beta, x_i) + \log P(\beta) + \Sigma \log P(w_i)$$

现在，据我了解，和都是模型参数。然而，在论文中，他们一直将它们称为潜在变量。我的推理是和都是变量概率分布的一部分，它们是模型参数。然而，作者将它们视为潜在随机变量。那是对的吗？如果是这样，模型参数是什么？$\beta$$w$$\beta$$w$$y$

该论文可以在这里找到（http://www.jting.net/pubs/2007/ting-ICRA2007.pdf）。

该论文是自动异常值检测：Ting 等人的贝叶斯方法。