Многостепенно семплиране на Гибс
Многостепенното семплиране на Гибс прилага алгоритъма за Марковски вериги на Монте Карло (MCMC) на Гибс към байесови йерархични (многостепенни) модели, като преминава последователно през условните разпределения на параметрите на групово ниво и хиперпараметрите на популационно ниво. Това използва структурата на условната независимост на йерархията за извличане на точни или почти точни извадки от апостериорно разпределение, което иначе би било аналитично неинтегрируемо.
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
- Gelman, A. & Hill, J. (2007). Data Analysis Using Regression and Multilevel/Hierarchical Models. Cambridge University Press. ISBN: 978-0521686891
- 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
Как да цитирате тази страница
ScholarGate. (2026, June 3). Multilevel Gibbs Sampling for Hierarchical Bayesian Models. ScholarGate. https://scholargate.app/bg/bayesian/multilevel-gibbs-sampling
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.
- Байесовски йерархичен моделБейсови методи↔ compare
- Гиббсов семплерБейсови методи↔ compare
- Хамилтънов Монте КарлоБейсови методи↔ compare
- Йерархично Бейсианско заключениеБейсови методи↔ compare
- Алгоритъм на Метрополис-ХастингсБейсови методи↔ compare
- Многостепенни MCMC методиБейсови методи↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →