Multilevel Metropolis-Hastings
Multilevel Metropolis-Hastings anvender Metropolis-Hastings MCMC-algoritmen på hierarkiske (multilevel) Bayesianske modeller, idet der samples simultant fra gruppeniveausparametre og hyperparametre ved at foreslå kandidatværdier og acceptere eller afvise dem via et forhold, der respekterer den fulde fælles posterior på tværs af alle niveauer i modellen.
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
- 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
- Roberts, G. O. & Sahu, S. K. (1997). Updating schemes, correlation structure, blocking and parameterisation for the Gibbs sampler. Journal of the Royal Statistical Society: Series B, 59(2), 291-317. DOI: 10.1111/1467-9868.00070 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Multilevel Metropolis-Hastings Algorithm. ScholarGate. https://scholargate.app/da/bayesian/multilevel-metropolis-hastings
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.
- Hierarkisk Bayesiansk InferensBayesiansk↔ sammenlign
- Metropolis-Hastings AlgoritmenBayesiansk↔ sammenlign
- Multiniveau Bayesiansk InferensBayesiansk↔ sammenlign
- Multilevel Gibbs SamplingBayesiansk↔ sammenlign
- Multilevel Hamiltonian Monte CarloBayesiansk↔ sammenlign
- Multilevel Variational InferensBayesiansk↔ sammenlign
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →