Esta es una buena pregunta. Estrictamente hablando, el uso de un modelo mixto no te hace Bayesiano. Imaginar la estimación de cada uno de efectos aleatorios por separado (tratándolo como un efecto fijo) y luego busca en la distribución resultante. Este es "sucio", pero conceptualmente tiene una distribución de probabilidad sobre los efectos aleatorios basado en una frecuencia relativa concepto.
Pero si, como frecuentista, ajuste que el modelo de uso de máxima verosimilitud y, a continuación, el deseo de "estimar" el de efectos aleatorios, tienes un poco de complicación. Estas cantidades no son fijos como el típico de los parámetros de regresión, por lo que la mejor palabra que "estimación" probablemente sería "la predicción." Si desea predecir un efecto aleatorio para un sujeto dado, usted va a querer para el uso que del sujeto de los datos. Tendrás que recurrir a la regla de Bayes, o al menos la idea de que $$f(\beta_i | \mathbf{y}_i) \propto f(\mathbf{y}_i | \beta_i) g(\beta_i).$$ Here the random effects distribution $g()$ funciona esencialmente como antes. Y creo que en este punto, mucha gente diría que se trata de "empírico de Bayes."
Para ser un verdadero Bayesiano, usted no sólo necesita especificar una distribución para sus efectos aleatorios, pero las distribuciones (reincidentes) para cada parámetro que define la distribución, así distribuciones para todos los efectos fijos de los parámetros y el modelo de epsilon. Es muy intenso!