Йерархичен Монте Карло Марковски процес
Йерархичният Монте Карло Марковски процес (Hierarchical Markov chain Monte Carlo, HMCMC) прилага MCMC семплиране към йерархични Бейсови модели, като едновременно извлича извадки от апостериорното разпределение както на параметрите на ниво наблюдение, така и на хиперпараметрите, които ги управляват. Това позволява принципиално разпространение на несигурността през всички нива на многоетапна структура – от индивиди през групи до популация – използвайки алгоритми като Гибс семплиране, Метрополис-Хастингс или Хамилтонов Монте Карло.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Карта на методите
Обкръжението на сродните методи — изберете възел, за да го разгледате.
+2 още
Източници
- Gelman, A., Carlin, J. B., Stern, H. S., Dunson, D. B., Vehtari, A. & Rubin, D. B. (2013). Bayesian Data Analysis (3rd ed.). CRC Press. ISBN: 978-1439840955
- Robert, C. P. & Casella, G. (2004). Monte Carlo Statistical Methods (2nd ed.). Springer. ISBN: 978-0387212395
Как да цитирате тази страница
ScholarGate. (2026, June 3). Markov Chain Monte Carlo for Hierarchical Bayesian Models. ScholarGate. https://scholargate.app/bg/bayesian/hierarchical-markov-chain-monte-carlo
Кой метод?
Поставете този метод до най-близките му сродни методи и ги четете едно до друго — библиотеката полага книгите на масата; изборът е ваш.
- Байесов регресионен моделБейсови методи↔ сравняване
- Гиббсов семплерБейсови методи↔ сравняване
- Хамилтънов Монте КарлоБейсови методи↔ сравняване
- Йерархично Бейсианско заключениеБейсови методи↔ сравняване
- Алгоритъм на Метрополис-ХастингсБейсови методи↔ сравняване
- Вариационен инференсБейсови методи↔ сравняване
Цитиран в
Similar methods
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →