Metropolis-Hastings til model-sammenligning
Metropolis-Hastings til model-sammenligning anvender Metropolis-Hastings MCMC-algoritmen til samtidigt at udforske både parameter- og modelrummet, hvilket producerer posterior-sandsynligheder for konkurrerende modeller og muliggør Bayes-faktor estimering uden krav om lukkede marginale likelihoods. Den kanoniske udvidelse — reversible-jump MCMC af Green (1995) — håndterer modeller af forskellig dimensionalitet inden for en enkelt sampler.
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.
Kilder
- 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 ↗
- Green, P. J. (1995). Reversible jump Markov chain Monte Carlo computation and Bayesian model determination. Biometrika, 82(4), 711-732. DOI: 10.1093/biomet/82.4.711 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Metropolis-Hastings Algorithm for Bayesian Model Comparison. ScholarGate. https://scholargate.app/da/bayesian/metropolis-hastings-for-model-comparison
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 ModelaveragingBayesiansk↔ sammenlign
- Gibbs Sampling til ModelsammenligningBayesiansk↔ sammenlign
- MCMC til modelsammenligningBayesiansk↔ sammenlign
- Sekventiel Monte CarloBayesiansk↔ sammenlign
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →