Metropolis-Hastings Multinivel
Metropolis-Hastings Multinivel aplica el algoritmo MCMC Metropolis-Hastings a modelos bayesianos jerárquicos (multinivel), muestreando conjuntamente parámetros a nivel de grupo e hiperparámetros proponiendo valores candidatos y aceptándolos o rechazándolos mediante una razón que respeta la posterior conjunta completa en todos los niveles del modelo.
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.
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
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Multilevel Metropolis-Hastings Algorithm. ScholarGate. https://scholargate.app/es/bayesian/multilevel-metropolis-hastings
¿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.
- Inferencia Bayesiana JerárquicaBayesiano↔ comparar
- Algoritmo de Metropolis-HastingsBayesiano↔ comparar
- Inferencia bayesiana multinivelBayesiano↔ comparar
- Muestreo de Gibbs MultinivelBayesiano↔ comparar
- Hamiltonian Monte Carlo MultinivelBayesiano↔ comparar
- Inferencia variacional multinivelBayesiano↔ comparar
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →