MCMC a vzorkování
48 — metody v této rodině.
Vybrané
Bayesian Dynamic Conditional Correlation GARCH (Bayesian DCC-GARCH)Bayesian DCC-GARCH estimates time-varying correlations across multiple financial or economic series by combining Engle's DCC-GARCH structure with Bayesian inference. Rather than maBayesian Gaussian Mixture ModelThe Bayesian Gaussian Mixture Model places prior distributions over all mixture parameters and infers their posteriors — typically via Variational Bayes or MCMC — rather than fittiBayesovská fylogenetická analýzaBayesian phylogenetic analysis uses Bayes' theorem and Markov chain Monte Carlo (MCMC) sampling to estimate the posterior probability distribution over phylogenetic trees and modelBayesovský probitový modelThe Bayesian Probit model is a binary regression method that models the probability of a binary outcome using the normal CDF (probit link) within a Bayesian framework. It assigns pDynamický Hamiltonovský Monte CarloDynamic Hamiltonian Monte Carlo — widely known as the No-U-Turn Sampler (NUTS) — is an adaptive extension of Hamiltonian Monte Carlo that automatically selects the number of leapfrDynamický algoritmus Metropolis-HastingsThe Dynamic Metropolis-Hastings (Dynamic MH) algorithm applies the Metropolis-Hastings MCMC sampler to Bayesian state-space and time-varying parameter models. At each time step, la
Cesta četby
Nejčastěji odkazované základní metody tohoto tématu v pořadí, v jakém vznikaly — místo, kde začít, pokud jste tu nově.
Všechny metody 48
Bayesian Dynamic Conditional Correlation GARCH (Bayesian DCC-GARCH)Bayesian Gaussian Mixture ModelBayesovská fylogenetická analýzaBayesovský probitový modelDynamický Hamiltonovský Monte CarloDynamický algoritmus Metropolis-HastingsDynamický filtr částicDynamické sekvenční Monte CarloGibbs SamplingGibbsův vzorkovač pro porovnávání modelůGibbs Sampling s chybou měřeníGibbsův vzorkovač s chybějícími datyHamiltonovské Monte CarloHamiltonovské Monte Carlo s chybou měřeníHamiltonian Monte Carlo s chybějícími datyHierarchické Hamiltonovské Monte CarloHierarchické vzorkování Markovovým řetězcem Monte CarloHierarchický částicový filtrMarkov Chain Monte Carlo (MCMC)MCMC pro porovnání modelůMCMC s chybou měřeníMCMC s chybějícími datyAlgoritmus Metropolis-HastingsMetropolis-Hastings pro porovnání modelůMetropolis-Hastings s chybou měřeníMetropolis-Hastings s chybějícími datyVícúrovňové vzorkování podle Gibbsovy metodyVícúrovňový Hamiltonovský Monte CarloVícerozměrné MCMC (Multilevel MCMC)Vícestupňový Metropolis-HastingsNo-U-Turn Sampler (NUTS)Částicový filtr (sekvenční Monte Carlo)Částicový filtr s chybou měřeníČásticový filtr s chybějícími datyRobustní Gibbsův vzorkovačRobustní Hamiltonovský Monte CarloRobustní Markovovy řetězce Monte CarloRobustní částicový filtrRobustní sekvenční Monte CarloSekvenční Monte CarloSekvenční metodou Monte Carlo s chybou měřeníSekvenční Monte Carlo s chybějícími datySlice SamplingProstorové vzorkování Gibbsovou metodouProstorové MCMCMCMC pro časové řadyČasový filtr částicSekvenční Monte Carlo pro časové řady