Динамичен алгоритъм на Метрополис-Хастингс
Динамичният алгоритъм на Метрополис-Хастингс (Dynamic MH) прилага семплера на Метрополис-Хастингс MCMC към Байесови модели с пространство на състоянията и променящи се във времето параметри. На всяка стъпка във времето латентните състояния или развиващите се параметри се актуализират чрез предложения и приемане, което води до пълни апостериорни разпределения върху траектории, а не до единични филтрирани оценки.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Hastings, W. K. (1970). Monte Carlo sampling methods using Markov chains and their applications. Biometrika, 57(1), 97–109. DOI: 10.1093/biomet/57.1.97 ↗
- Carlin, B. P., Polson, N. G., & Stoffer, D. S. (1992). A Monte Carlo approach to nonnormal and nonlinear state-space modeling. Journal of the American Statistical Association, 87(418), 493–500. DOI: 10.1080/01621459.1992.10475231 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Dynamic Metropolis-Hastings Algorithm for Time-Varying Models. ScholarGate. https://scholargate.app/bg/bayesian/dynamic-metropolis-hastings-algorithm
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Динамично Байесово извежданеБейсови методи↔ compare
- Гиббсов семплерБейсови методи↔ compare
- Калманов филтърБейсови методи↔ compare
- Алгоритъм на Метрополис-ХастингсБейсови методи↔ compare
- Частицов филтър (последователен Монте Карло)Бейсови методи↔ compare
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →