Dynamický algoritmus Metropolis-Hastings
Dynamický algoritmus Metropolis-Hastings (Dynamic MH) aplikuje sampler MCMC typu Metropolis-Hastings na bayesovské modely stavového prostoru a modely s časově proměnnými parametry. V každém časovém kroku jsou latentní stavy nebo vyvíjející se parametry aktualizovány pomocí navrhovacích a akceptačních kroků, což vede k úplným aposteriorním distribucím trajektorií spíše než k jednotlivým filtrovaným odhadům.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
- Carlin, B. P., Polson, N. G., & Stoffer, D. S. (1992). A Monte Carlo approach to nonnormal and nonlinear state-space modeling. Journal of the American Statistical Association, 87(418), 493–500. DOI: 10.1080/01621459.1992.10475231 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Dynamic Metropolis-Hastings Algorithm for Time-Varying Models. ScholarGate. https://scholargate.app/cs/bayesian/dynamic-metropolis-hastings-algorithm
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Dynamická Bayesovská inferenceBayesovská statistika↔ compare
- Gibbs SamplingBayesovská statistika↔ compare
- Kalmanův filtrBayesovská statistika↔ compare
- Algoritmus Metropolis-HastingsBayesovská statistika↔ compare
- Částicový filtr (sekvenční Monte Carlo)Bayesovská statistika↔ compare
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →