Апроксимация на Лаплас
Апроксимацията на Лаплас е класическа аналитична техника, която замества труднопостижимото апостериорно разпределение с многомерно Гаусово разпределение, центрирано в апостериорния мод, използвайки кривината на лог-апостериорното разпределение в този мод за определяне на ковариацията. Формализирана за Байесовата статистика от Tierney и Kadane (1986) в тяхната знакова статия в Journal of the American Statistical Association, тя предоставя бърза, детерминистична алтернатива на Марковските вериги Монте Карло и формира математическото ядро на интегрираните вложени апроксимации на Лаплас (INLA).
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
- Tierney, L. & Kadane, J. B. (1986). Accurate approximations for posterior moments and marginal densities. Journal of the American Statistical Association, 81(393), 82–86. DOI: 10.1080/01621459.1986.10478240 ↗
- MacKay, D. J. C. (2003). Information Theory, Inference, and Learning Algorithms. Cambridge University Press. ISBN: 978-0521642989
- Rue, H., Martino, S. & Chopin, N. (2009). Approximate Bayesian inference for latent Gaussian models by using integrated nested Laplace approximations. Journal of the Royal Statistical Society: Series B, 71(2), 319–392. DOI: 10.1111/j.1467-9868.2008.00700.x ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Laplace Approximation to the Posterior. ScholarGate. https://scholargate.app/bg/bayesian/laplace-approximation
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.
- Байесов регресионен моделБейсови методи↔ compare
- Разпространение по очакване (EP)Бейсови методи↔ compare
- Марковски Монте Карло вериги (MCMC)Бейсови методи↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →