贝叶斯方法的基本原理是利用观测数据提供的关于参数的似然信息,结合参数的先验信息,最终得到参数的后验信息。分层模型是指不同分组下的观测值取决于每组对应的参数,而每组的参数又会由其超参数决定,由此呈现出一种分层结构。贝叶斯方法天然的适用于这类分层结构,并且随着贝叶斯统计的不断发展以及各类统计软件和相关程序包的开发完善,贝叶斯方法成为研究分层模型的一种重要方式。本文旨在应用贝叶斯分层模型研究因变量为二分类变量的情形。首先,系统讨论贝叶斯分层模型的构建与估计方法。本文在介绍传统的logistic回归模型和参数为线性形式的分层logistic回归模型的基础上,针对分组数据,构建因变量为二分类变量的贝叶斯分层模型。由模型中参数的似然函数和先验分布求得联合后验分布,进而得到各参数的条件后验分布,之后采用Gibbs抽样和MH抽样对各个参数进行估计。其次,对构建的贝叶斯分层模型进行了模拟测试和实例分析。在模拟测试中,生成样本量为1500的模拟数据,比较了建立传统logistic回归模型和建立贝叶斯分层模型后参数估计效果上的不同,并对建立贝叶斯分层模型的预测效果进行性能度量,结果表明,模拟数据的分类预测效果比较令人满意;在实例分析中,以德州扑克的策略分析为研究对象,根据选取的德州扑克数据集将玩家分为三种类型:紧张型、中间型和放松型,将玩家在每一局牌局中的“输”和“赢”视为二分类因变量,通过Boruta方法筛选出影响德州扑克玩家输赢的7个影响因素,由欠抽样方法选取样本作为训练集,建立贝叶斯分层模型并分析三种不同类型的玩家在德州扑克牌局中的游戏风格和策略,随后将全部样本数据作为测试集,通过性能度量指标验证了模型的预测效果较为理想。最后,本文针对文中构建的贝叶斯分层模型可能出现极端离群值的情形对模型进行了改进,改进模型的分析结果表明,通过在原有模型中加入随机因子项可以使模型更适应实际数据的应用。