Cadena de Markov de Monte Carlo jeràrquica
La cadena de Markov de Monte Carlo jeràrquica (HMCMC) aplica mostreig MCMC a models bayesians jeràrquics, extreient conjuntament de la posterior tant els paràmetres a nivell d'observació com els hiperparàmetres que els governen. Això permet una propagació d'incertesa principista a través de tots els nivells d'una estructura multinivell, des d'individus a grups i a població, utilitzant algorismes com el mostreig de Gibbs, Metropolis-Hastings o la cadena de Markov de Monte Carlo Hamiltoniana.
Llegeix el mètode complet
Inicia la sessió amb un compte gratuït per llegir aquesta secció.
Mapa de mètodes
El veïnat de mètodes relacionats — seleccioneu un node per explorar-lo.
+2 més
Fonts
- 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
- Robert, C. P. & Casella, G. (2004). Monte Carlo Statistical Methods (2nd ed.). Springer. ISBN: 978-0387212395
Com citar aquesta pàgina
ScholarGate. (2026, June 3). Markov Chain Monte Carlo for Hierarchical Bayesian Models. ScholarGate. https://scholargate.app/ca/bayesian/hierarchical-markov-chain-monte-carlo
Quin mètode?
Poseu aquest mètode al costat dels seus parents més pròxims i llegiu-los de costat a costat — la biblioteca disposa els llibres sobre la taula; la tria és vostra.
- Regressió BayesianaBayesià↔ compara
- Campionament de GibbsBayesià↔ compara
- Hamiltonian Monte CarloBayesià↔ compara
- Inferència bayesiana jeràrquicaBayesià↔ compara
- Algorisme de Metropolis-HastingsBayesià↔ compara
- Inferència variacionalBayesià↔ compara
Citat per
Similar methods
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →