ScholarGate
Assistent
Bayesian methodsBayesian / computational

Hierarchisches Hamiltonsches Monte Carlo

Das Hierarchische Hamiltonsche Monte Carlo (Hierarchical HMC) wendet die Hamiltonsche Monte-Carlo-Abtastung auf Bayes’sche hierarchische Modelle an und begegnet damit den erheblichen geometrischen Herausforderungen, die diese Modelle mit sich bringen. Durch die Kombination von nicht-zentrierten Parametrisierungen mit den gradientengesteuerten Vorschlägen von HMC wird eine effiziente Exploration der Posterior-Verteilung von mehrstufigen trichterförmigen Geometrien erreicht, mit denen Standard-MCMC-Methoden Schwierigkeiten haben.

In MethodMind öffnenDemnächstApply, compare, get guidance
Tools & resources
Folien herunterladen
Learn & explore
VideoDemnächst

Die vollständige Methode lesen

Nur für Mitglieder

Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.

Anmelden

Methodenkarte

Die Nachbarschaft verwandter Methoden — wählen Sie einen Knoten, um sie zu erkunden.

Quellen

  1. Betancourt, M. & Girolami, M. (2015). Hamiltonian Monte Carlo for hierarchical models. In S. K. Upadhyay, U. Singh, D. K. Dey & A. Loganathan (Eds.), Current Trends in Bayesian Methodology with Applications (pp. 79-101). CRC Press. link
  2. 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

So zitieren Sie diese Seite

ScholarGate. (2026, June 3). Hamiltonian Monte Carlo for Hierarchical Models. ScholarGate. https://scholargate.app/de/bayesian/hierarchical-hamiltonian-monte-carlo

Welche Methode?

Stellen Sie diese Methode neben ihre nächsten Verwandten und lesen Sie sie nebeneinander — die Bibliothek legt die Bücher auf den Tisch; die Wahl liegt bei Ihnen.

Nebeneinander vergleichen

Referenziert von

ScholarGateHierarchical Hamiltonian Monte Carlo (Hamiltonian Monte Carlo for Hierarchical Models). Abgerufen am 2026-06-17 von https://scholargate.app/de/bayesian/hierarchical-hamiltonian-monte-carlo · Datensatz: https://doi.org/10.5281/zenodo.20539026