Multilevel Metropolis-Hastings
Multilevel Metropolis-Hastings wendet den Metropolis-Hastings MCMC-Algorithmus auf hierarchische (mehrstufige) Bayes'sche Modelle an, wobei sowohl Gruppenparameter als auch Hyperparameter gemeinsam abgetastet werden, indem Kandidatenwerte vorgeschlagen und diese mittels eines Verhältnisses, das die vollständige gemeinsame Posterior-Verteilung über alle Ebenen des Modells berücksichtigt, akzeptiert oder abgelehnt werden.
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
- 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
- Roberts, G. O. & Sahu, S. K. (1997). Updating schemes, correlation structure, blocking and parameterisation for the Gibbs sampler. Journal of the Royal Statistical Society: Series B, 59(2), 291-317. DOI: 10.1111/1467-9868.00070 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Multilevel Metropolis-Hastings Algorithm. ScholarGate. https://scholargate.app/de/bayesian/multilevel-metropolis-hastings
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.
- Hierarchische Bayes'sche InferenzBayes-Statistik↔ vergleichen
- Metropolis-Hastings-AlgorithmusBayes-Statistik↔ vergleichen
- Mehrstufige Bayes'sche InferenzBayes-Statistik↔ vergleichen
- Multilevel Gibbs SamplingBayes-Statistik↔ vergleichen
- Multilevel Hamiltonian Monte CarloBayes-Statistik↔ vergleichen
- Multilevel Variational InferenceBayes-Statistik↔ vergleichen
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →