Многоуровневи Metropolis-Hastings
Многоуровневи Metropolis-Hastings прилага алгоритъма Metropolis-Hastings MCMC към йерархични (многоуровневи) Байесови модели, като взема извадки съвместно от параметри на ниво група и хиперпараметри чрез предлагане на кандидат-стойности и приемането или отхвърлянето им чрез съотношение, което зачита пълния съвместен апостериорен разпределение във всички нива на модела.
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
- 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
- Roberts, G. O. & Sahu, S. K. (1997). Updating schemes, correlation structure, blocking and parameterisation for the Gibbs sampler. Journal of the Royal Statistical Society: Series B, 59(2), 291-317. DOI: 10.1111/1467-9868.00070 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Multilevel Metropolis-Hastings Algorithm. ScholarGate. https://scholargate.app/bg/bayesian/multilevel-metropolis-hastings
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.
- Йерархично Бейсианско заключениеБейсови методи↔ сравняване
- Алгоритъм на Метрополис-ХастингсБейсови методи↔ сравняване
- Многостепенна байесова статистическа инференцияБейсови методи↔ сравняване
- Многостепенно семплиране на ГибсБейсови методи↔ сравняване
- Многостепенен Хамилтонов Монте КарлоБейсови методи↔ сравняване
- Многостепенен вариационен изводБейсови методи↔ сравняване
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →