Metropolis-Hastings за сравнение на модели
Metropolis-Hastings за сравнение на модели използва MCMC алгоритъма Metropolis-Hastings за едновременно изследване както на параметричното, така и на моделното пространство, произвеждайки апостериорни вероятности за конкуриращи се модели и позволявайки оценка на Бейесовите фактори без необходимост от затворени форми на пределните правдоподобия. Каноничното разширение — MCMC с обратими скокове от Green (1995) — обработва модели с различна размерност в рамките на единствен семплер.
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.
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 ↗
- 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 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Metropolis-Hastings Algorithm for Bayesian Model Comparison. ScholarGate. https://scholargate.app/bg/bayesian/metropolis-hastings-for-model-comparison
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.
- Байесовско осредняване на модели (Bayesian Model Averaging, BMA)Бейсови методи↔ сравняване
- Примерно вземане на Гибс за сравнение на моделиБейсови методи↔ сравняване
- MCMC за сравнение на моделиБейсови методи↔ сравняване
- Последователен Монте КарлоБейсови методи↔ сравняване
Цитиран в
Similar methods
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →