MCMC и семплиране
48 метода в това семейство.
Избрани
Байесов динамичен модел на условна корелация GARCH (Bayesian DCC-GARCH)Bayesian DCC-GARCH estimates time-varying correlations across multiple financial or economic series by combining Engle's DCC-GARCH structure with Bayesian inference. Rather than maБайесов модел на Гаусови смесиThe Bayesian Gaussian Mixture Model places prior distributions over all mixture parameters and infers their posteriors — typically via Variational Bayes or MCMC — rather than fittiБайесовски филогенетичен анализBayesian phylogenetic analysis uses Bayes' theorem and Markov chain Monte Carlo (MCMC) sampling to estimate the posterior probability distribution over phylogenetic trees and modelБайесов пробит моделThe Bayesian Probit model is a binary regression method that models the probability of a binary outcome using the normal CDF (probit link) within a Bayesian framework. It assigns pДинамичен Хамилтонов Монте КарлоDynamic Hamiltonian Monte Carlo — widely known as the No-U-Turn Sampler (NUTS) — is an adaptive extension of Hamiltonian Monte Carlo that automatically selects the number of leapfrДинамичен алгоритъм на Метрополис-ХастингсThe Dynamic Metropolis-Hastings (Dynamic MH) algorithm applies the Metropolis-Hastings MCMC sampler to Bayesian state-space and time-varying parameter models. At each time step, la
Път за четене
Най-цитираните основополагащи методи по тази тема, подредени според реда на тяхното развитие — място, от което да започнете, ако сте нов тук.
Всички методи 48
Байесов динамичен модел на условна корелация GARCH (Bayesian DCC-GARCH)Байесов модел на Гаусови смесиБайесовски филогенетичен анализБайесов пробит моделДинамичен Хамилтонов Монте КарлоДинамичен алгоритъм на Метрополис-ХастингсДинамичен частицов филтърДинамично последователно Монте КарлоГиббсов семплерПримерно вземане на Гибс за сравнение на моделиGibbs Sampling with Measurement ErrorGibbs Sampling with Missing DataХамилтънов Монте КарлоХамилтънов Монте Карло с грешка в измерванетоХамилтонов Монте Карло с липсващи данниЙерархичен Монте Карло на ХамилтонЙерархичен Монте Карло Марковски процесЙерархичен частицов филтърМарковски Монте Карло вериги (MCMC)MCMC за сравнение на моделиMCMC с грешка в измерванетоMCMC с липсващи данниАлгоритъм на Метрополис-ХастингсMetropolis-Hastings за сравнение на моделиМетрополис-Хастингс при грешка в измерванетоМетрополис-Хастингс при липсващи данниМногостепенно семплиране на ГибсМногостепенен Хамилтонов Монте КарлоМногостепенни MCMC методиМногоуровневи Metropolis-HastingsNo-U-Turn Sampler (NUTS)Частицов филтър (последователен Монте Карло)Филтър с частици и грешка при измерванеФилтър с частици при липсващи данниУстойчиво семплиране на ГибсУстойчив Хамилтонов Монте КарлоRobust Markov Chain Monte CarloУстойчив частицов филтърРобастно последователно Монте КарлоПоследователен Монте КарлоПоследователен Монте Карло с грешка в измерванетоПоследователно Монте Карло с липсващи данниСлайс семплиранеПространствено семплиране на ГибсПространствено MCMC (Spatial MCMC)MCMC за времеви редовеВремеви частицов филтърПоследователно Монте Карло за времеви редове