Metropolis-Hastings zur Modellvergleich
Metropolis-Hastings für Modellvergleich nutzt den Metropolis-Hastings MCMC-Algorithmus, um sowohl den Parameter- als auch den Modellraum gleichzeitig zu erkunden, wodurch Posterior-Wahrscheinlichkeiten für konkurrierende Modelle erzeugt und die Schätzung von Bayes-Faktoren ermöglicht wird, ohne dass geschlossene Formen für marginale Likelihoods erforderlich sind. Die kanonische Erweiterung – reversible-jump MCMC von Green (1995) – behandelt Modelle unterschiedlicher Dimensionalität innerhalb eines einzigen Samplers.
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.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Metropolis-Hastings Algorithm for Bayesian Model Comparison. ScholarGate. https://scholargate.app/de/bayesian/metropolis-hastings-for-model-comparison
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.
- Bayesian Model AveragingBayes-Statistik↔ vergleichen
- Gibbs-Sampling für ModellvergleichBayes-Statistik↔ vergleichen
- MCMC für ModellvergleichBayes-Statistik↔ vergleichen
- Sequentielle Monte-Carlo-MethodenBayes-Statistik↔ vergleichen
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →