例如，在BUGS 手册或 Lee 和 Wagenmakers 即将出版的书 ( pdf ) 中以及在许多其他地方使用了一种在我看来非常灵活的符号，因为它可以用来简洁地描述大多数统计模型。这种表示法的一个例子如下：
这将描述一个没有预测变量的分层逻辑模型，但有团体。这种描述模型的方式似乎同样适用于描述常客模型和贝叶斯模型，例如，要使这个模型描述完全贝叶斯，你只需要添加先验和.
这种类型的模型符号/形式主义是否在某些文章或书籍中进行了详细描述？
如果您想使用这种表示法来编写模型，那么有许多不同的做事方式，并且它对于遵循和参考其他人的综合指南非常有用。我发现人们使用这种符号的方式有一些不同：
后续问题：这个符号有名字吗？ （由于没有更好的名字，我在我写的一篇博文中称其为以概率分布为中心的约定......）
Halperin、Hartley 和 Hoel (1965)以及Sanders 和 Pugh (1972)中介绍了一些推荐的统计符号标准。当前的大多数符号来自生物统计统计学家在 19 世纪末和 20 世纪初建立的惯例（其中大部分是由 Pearson 和 Fisher 及其同事完成的）。经济学家约翰·奥尔德里奇（John Aldrich）在此处维护了一份有用的符号早期使用列表，并且在奥尔德里奇（2003 年）中发表了英国生物特征学派的历史记录。（如果你对这个话题有进一步的疑问，奥尔德里奇可能是世界上最重要的统计符号史上在世的专家。）
除了这些明确的工作之外，还有很多介绍该领域的书籍，并且这些书籍都小心地定义了与常见约定一致的符号，并在它们进行时定义了符号。该领域有许多众所周知的惯例贯穿于文献中，统计学家通过实践对这些惯例非常熟悉，即使没有阅读这些研究人员的建议。
以分布为中心的符号的模糊性： “以分布为中心”的符号的使用是一种标准惯例，在整个统计文献中都使用。然而，关于这个符号需要指出的一件有趣的事情是，它的实际含义有一点回旋余地。标准惯例是将这些语句右侧的对象读取为某种概率度量的描述（例如，分布函数、密度函数等），然后读取与含义的关系“...具有分布...”或“...具有概率度量...”等。在这种解释下，关系比较了两组不同的事物；左侧的对象是随机变量，右侧的对象是概率测度的描述。
但是，将右侧解释为对随机变量的引用（与分布相反）并读取关系的意思是“......具有与......相同的分布”。在这种解释下，关系是比较随机变量的等价关系；左边和右边的对象都是随机变量，关系是自反的、对称的和传递的。
这给出了对如下语句的两种可能（且同样有效）的解释：
分布解释： "有概率分布"。这种解释将后一个对象视为对正态概率度量的某种描述（例如，它的密度函数、分布函数等）。
随机变量解释： "具有相同的概率分布”。这种解释将后一个对象视为正常的随机变量。
每种解释都有优点和缺点。随机变量解释的优点是它使用标准符号来引用等价关系，但它的缺点是它需要引用具有与其分布函数类似的符号的随机变量。分布解释的优点是它对作为一个整体的分布使用相似的符号，以及它们具有给定参数值的函数形式；缺点是它使用符号的方式不是等价关系。
Aldrich, J. (2003) The Language of the English Biometric School International Statistical Review 71(1)，第 109-131 页。
Halperin, M.、Hartley, HO 和 Hoel, PG (1965)统计符号和符号的推荐标准。美国统计学家 19(3)，第 12-14 页。
Sanders, JR 和 Pugh, RC (1972)标准统计符号和符号集推荐。教育研究员 1(11)，第 15-16 页。