Hierarkisk Markov Chain Monte Carlo
Hierarkisk Markov chain Monte Carlo anvender MCMC-sampling på hierarkiske Bayesianske modeller, hvor der samtidigt trækkes fra posteriorfordelingen over både parametre på observationsniveau og de hyperparametre, der styrer dem. Dette muliggør principiel usikkerhedsforplantning på tværs af alle niveauer i en flerniveaustruktur, fra individer til grupper til population, ved hjælp af algoritmer som Gibbs sampling, Metropolis-Hastings eller Hamiltonsk Monte Carlo.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Metodekort
Nabolaget af beslægtede metoder — vælg en knude for at udforske.
+2 mere
Kilder
- 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
Sådan citerer du denne side
ScholarGate. (2026, June 3). Markov Chain Monte Carlo for Hierarchical Bayesian Models. ScholarGate. https://scholargate.app/da/bayesian/hierarchical-markov-chain-monte-carlo
Hvilken metode?
Stil denne metode ved siden af dens nærmeste slægtninge, og læs dem side om side — biblioteket lægger bøgerne på bordet; valget er dit.
- Bayesiansk regressionBayesiansk↔ sammenlign
- Gibbs SamplingBayesiansk↔ sammenlign
- Hamiltonian Monte CarloBayesiansk↔ sammenlign
- Hierarkisk Bayesiansk InferensBayesiansk↔ sammenlign
- Metropolis-Hastings AlgoritmenBayesiansk↔ sammenlign
- VariationsinferensBayesiansk↔ sammenlign
Refereret af
Similar methods
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →