MCMC за сравнение на модели
MCMC за сравнение на модели използва алгоритми на Марковски вериги Монте Карло за оценка на пределните правдоподобности и Бейсовите фактори, необходими за формално сравнение на конкуриращи се статистически модели. Техники като MCMC с обратими скокове (reversible-jump MCMC) и мостово семплиране (bridge sampling) позволяват изследване на пространства от модели с различна размерност, което осигурява напълно Бейсово избиране и осредняване на модели.
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
- Green, P. J. (1995). Reversible jump Markov chain Monte Carlo computation and Bayesian model determination. Biometrika, 82(4), 711–732. DOI: 10.1093/biomet/82.4.711 ↗
- Meng, X.-L., & Wong, W. H. (1996). Simulating ratios of normalizing constants via a simple identity: A theoretical exploration. Statistica Sinica, 6(4), 831–860. link ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Markov Chain Monte Carlo for Bayesian Model Comparison. ScholarGate. https://scholargate.app/bg/bayesian/mcmc-for-model-comparison
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.
- Приблизително Байесово изчислениеСимулационно моделиране↔ compare
- Байесовско осредняване на модели (Bayesian Model Averaging, BMA)Бейсови методи↔ compare
- Гиббсов семплерБейсови методи↔ compare
- Хамилтънов Монте КарлоБейсови методи↔ compare
- Марковски Монте Карло вериги (MCMC)Бейсови методи↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →