Cadena de Markov Monte Carlo Jerárquica
La Cadena de Markov Monte Carlo (MCMC) Jerárquica aplica muestreo MCMC a modelos bayesianos jerárquicos, extrayendo conjuntamente de la posterior tanto de los parámetros a nivel de observación como de los hiperparámetros que los gobiernan. Esto permite una propagación de la incertidumbre basada en principios a través de todos los niveles de una estructura multinivel, desde individuos hasta grupos y la población, utilizando algoritmos como el muestreo de Gibbs, Metropolis-Hastings o Monte Carlo Hamiltoniano.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Mapa de métodos
El vecindario de métodos relacionados: selecciona un nodo para explorarlo.
+2 más
Fuentes
- 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
Cómo citar esta página
ScholarGate. (2026, June 3). Markov Chain Monte Carlo for Hierarchical Bayesian Models. ScholarGate. https://scholargate.app/es/bayesian/hierarchical-markov-chain-monte-carlo
¿Qué método?
Coloca este método junto a sus parientes más cercanos y léelos lado a lado: la biblioteca pone los libros sobre la mesa; la elección es tuya.
- Regresión bayesianaBayesiano↔ comparar
- Muestreo de GibbsBayesiano↔ comparar
- Hamiltonian Monte CarloBayesiano↔ comparar
- Inferencia Bayesiana JerárquicaBayesiano↔ comparar
- Algoritmo de Metropolis-HastingsBayesiano↔ comparar
- Inferencia VariacionalBayesiano↔ comparar
Citado por
Similar methods
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →