Metropolis-Hastings Multillivell
Metropolis-Hastings Multillivell aplica l'algorisme MCMC Metropolis-Hastings a models bayesians jeràrquics (multillivell), mostrejant conjuntament paràmetres a nivell de grup i hiperparàmetres proposant valors candidats i acceptant-los o rebutjant-los mitjançant un quocient que respecta la distribució posterior conjunta completa a través de tots els nivells del model.
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
- 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 ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 3). Multilevel Metropolis-Hastings Algorithm. ScholarGate. https://scholargate.app/ca/bayesian/multilevel-metropolis-hastings
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.
- Inferència bayesiana jeràrquicaBayesià↔ compara
- Algorisme de Metropolis-HastingsBayesià↔ compara
- Inferencia bayesiana multinivellBayesià↔ compara
- Multilevel Gibbs SamplingBayesià↔ compara
- Hamiltonian Monte Carlo MultillivellBayesià↔ compara
- Inferencia variacional multinivellBayesià↔ compara
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →