Multilevel MCMC
Multilevel MCMC wendet Markov-Chain-Monte-Carlo-Sampling auf hierarchische (mehrstufige) Bayes'sche Modelle an. Es zieht Stichproben aus der gemeinsamen Posterior-Verteilung sowohl von Gruppen- als auch von Populationsebene-Parametern gleichzeitig, propagiert Unsicherheit über Ebenen hinweg und ermöglicht Inferenz in geclusterten oder verschachtelten Datenstrukturen, bei denen Beobachtungen innerhalb von Gruppen gemeinsame Verteilungseigenschaften aufweisen.
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.
+3 more
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
- Gelfand, A. E. & Smith, A. F. M. (1990). Sampling-based approaches to calculating marginal densities. Journal of the American Statistical Association, 85(410), 398-409. DOI: 10.1080/01621459.1990.10476213 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Multilevel Markov Chain Monte Carlo. ScholarGate. https://scholargate.app/de/bayesian/multilevel-mcmc
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.
- Bayes'sche RegressionBayes-Statistik↔ compare
- Gibbs-SamplingBayes-Statistik↔ compare
- Hamiltonian Monte CarloBayes-Statistik↔ compare
- Hierarchische Bayes'sche InferenzBayes-Statistik↔ compare
- Metropolis-Hastings-AlgorithmusBayes-Statistik↔ compare
- Variationelle InferenzBayes-Statistik↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →