Hierarchische Markov-Ketten-Monte-Carlo-Verfahren
Hierarchische Markov-Ketten-Monte-Carlo-Verfahren (MCMC) wenden MCMC-Sampling auf hierarchische Bayes'sche Modelle an, indem sie gemeinsam aus der Posteriorverteilung sowohl für Parameter auf Beobachtungsebene als auch für die diese steuernden Hyperparameter ziehen. Dies ermöglicht eine prinzipielle Unsicherheitsfortpflanzung über alle Ebenen einer Mehrebenenstruktur, von Individuen über Gruppen bis zur Population, unter Verwendung von Algorithmen wie Gibbs-Sampling, Metropolis-Hastings oder Hamilton-Monte-Carlo.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Methodenkarte
Die Nachbarschaft verwandter Methoden — wählen Sie einen Knoten, um sie zu erkunden.
+2 weitere
Quellen
- 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
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Markov Chain Monte Carlo for Hierarchical Bayesian Models. ScholarGate. https://scholargate.app/de/bayesian/hierarchical-markov-chain-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.
- Bayes'sche RegressionBayes-Statistik↔ vergleichen
- Gibbs-SamplingBayes-Statistik↔ vergleichen
- Hamiltonian Monte CarloBayes-Statistik↔ vergleichen
- Hierarchische Bayes'sche InferenzBayes-Statistik↔ vergleichen
- Metropolis-Hastings-AlgorithmusBayes-Statistik↔ vergleichen
- Variationelle InferenzBayes-Statistik↔ vergleichen
Referenziert von
Similar methods
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →