Multilevel Gibbs Sampling
Multilevel Gibbs sampling wendet den Gibbs-MCMC-Algorithmus auf hierarchische (mehrstufige) Bayes'sche Modelle an, indem abwechselnd die bedingten Verteilungen von Gruppenparametern und Hyperparametern der Population durchlaufen werden. Dies nutzt die Struktur der bedingten Unabhängigkeit der Hierarchie aus, um exakte oder annähernd exakte Stichproben aus einer Posterior-Verteilung zu ziehen, die sonst analytisch nicht handhabbar wäre.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- Gelman, A. & Hill, J. (2007). Data Analysis Using Regression and Multilevel/Hierarchical Models. Cambridge University Press. ISBN: 978-0521686891
- 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). Multilevel Gibbs Sampling for Hierarchical Bayesian Models. ScholarGate. https://scholargate.app/de/bayesian/multilevel-gibbs-sampling
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Bayessches hierarchisches ModellBayes-Statistik↔ compare
- Gibbs-SamplingBayes-Statistik↔ compare
- Hamiltonian Monte CarloBayes-Statistik↔ compare
- Hierarchische Bayes'sche InferenzBayes-Statistik↔ compare
- Metropolis-Hastings-AlgorithmusBayes-Statistik↔ compare
- Multilevel MCMCBayes-Statistik↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →