当数据是正态或近似正态时经典线性模型是一个非常有用模型，但正态或近似正态假设过严格，对非正态数据，诸如属性数据、计数数据，应用经典线性模型可能会产生误导。1972年Nelder和Wedderburn引进广义线性模型，使之能处理非正态数据。自那以后，对广义线性模型的研究工作逐步展开。但在广义线性模型中，参数完全由解释变量确定，致使模型实际应用受到限制，我国学者陆天虹将广义线性模型推广引入混合广义线性模型。本文将广义线性模型中贝叶斯估计的有关结论推广到混合广义线性模型中，研究了常见共轭先验混合广义线性模型参数的贝叶斯极大似然估计包括正态-正态混合、泊松-伽玛混合、二项-贝塔混合。分别探讨了无信息先验和条件均值先验下参数的贝叶斯估计，最后用模拟数据运用马尔可夫链蒙特卡罗抽样方法研究泊松-伽玛混合模型参数的后验均值估计和后验密度。从中得出混合广义线性模型优于广义线性模型结论。