Многостепенни MCMC методи
Многостепенните MCMC методи прилагат Марковски верижен Монте Карло семплиране към байесови модели с йерархична (многостепенна) структура. Те извличат извадки от съвместното апостериорно разпределение както на параметрите на групово, така и на популационно ниво едновременно, разпространявайки неопределеността между нивата и позволявайки изводи при клъстерирани или вложени структури от данни, където наблюденията в рамките на групите споделят общи разпределителни характеристики.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
+3 more
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
- Gelfand, A. E. & Smith, A. F. M. (1990). Sampling-based approaches to calculating marginal densities. Journal of the American Statistical Association, 85(410), 398-409. DOI: 10.1080/01621459.1990.10476213 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Multilevel Markov Chain Monte Carlo. ScholarGate. https://scholargate.app/bg/bayesian/multilevel-mcmc
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
- Гиббсов семплерБейсови методи↔ compare
- Хамилтънов Монте КарлоБейсови методи↔ compare
- Йерархично Бейсианско заключениеБейсови методи↔ compare
- Алгоритъм на Метрополис-ХастингсБейсови методи↔ compare
- Вариационен инференсБейсови методи↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →