Hierarchické vzorkování Markovovým řetězcem Monte Carlo
Hierarchické vzorkování Markovovým řetězcem Monte Carlo aplikuje vzorkování MCMC na hierarchické Bayesovské modely, společně čerpá z aposteriorního rozdělení jak parametrů na úrovni pozorování, tak hyperparametrů, které je řídí. To umožňuje principální šíření nejistoty napříč všemi úrovněmi vícerozměrné struktury, od jednotlivců přes skupiny až po populaci, s využitím algoritmů, jako je Gibbsův vzorkovač, Metropolis-Hastings nebo Hamiltonovské Monte Carlo.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Mapa metod
Okolí příbuzných metod — vyberte uzel, který chcete prozkoumat.
+2 dalších
Zdroje
- 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
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Markov Chain Monte Carlo for Hierarchical Bayesian Models. ScholarGate. https://scholargate.app/cs/bayesian/hierarchical-markov-chain-monte-carlo
Která metoda?
Postavte tuto metodu vedle jejích nejbližších příbuzných a čtěte je vedle sebe — knihovna položí knihy na stůl; volba je na vás.
- Bayesovská regreseBayesovská statistika↔ porovnat
- Gibbs SamplingBayesovská statistika↔ porovnat
- Hamiltonovské Monte CarloBayesovská statistika↔ porovnat
- Hierarchické Bayesovské odvozováníBayesovská statistika↔ porovnat
- Algoritmus Metropolis-HastingsBayesovská statistika↔ porovnat
- Variační inferenceBayesovská statistika↔ porovnat
Odkazuje sem
Similar methods
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →