Metropolis-Hastings per a la comparació de models
Metropolis-Hastings per a la comparació de models utilitza l'algoritme MCMC Metropolis-Hastings per explorar simultàniament l'espai de paràmetres i de models, produint probabilitats posteriors per a models competidors i permetent l'estimació de factors de Bayes sense necessitat de versemblances marginals en forma tancada. L'extensió canònica — MCMC de salt reversible de Green (1995) — gestiona models de dimensionalitats diferents dins d'un mateix mostrejador.
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.
Fonts
- Hastings, W. K. (1970). Monte Carlo sampling methods using Markov chains and their applications. Biometrika, 57(1), 97-109. DOI: 10.1093/biomet/57.1.97 ↗
- Green, P. J. (1995). Reversible jump Markov chain Monte Carlo computation and Bayesian model determination. Biometrika, 82(4), 711-732. DOI: 10.1093/biomet/82.4.711 ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 3). Metropolis-Hastings Algorithm for Bayesian Model Comparison. ScholarGate. https://scholargate.app/ca/bayesian/metropolis-hastings-for-model-comparison
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.
- Mitjana de models bayesiansBayesià↔ compara
- Gibbs Sampling per a la Comparació de ModelsBayesià↔ compara
- MCMC per a la comparació de modelsBayesià↔ compara
- Monte Carlo SeqüencialBayesià↔ compara
Citat per
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →