Dünaamiline Metropolis-Hastingsi algoritm
Dünaamiline Metropolis-Hastingsi (Dynamic MH) algoritm rakendab Metropolis-Hastingsi MCMC-samplerit Bayesi statistika olekuruumi- ja ajas muutuvate parameetrite mudelitele. Igal ajahetkel värskendatakse latentseid olekuid või arenevaid parameetreid ettepaneku-ja aktsepteerimisliigutustega, mille tulemuseks on täielikud järeltöötlusjaotused trajektooride üle, mitte üksikud filtreeritud hinnangud.
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Method map
The neighbourhood of related methods — select a node to explore.
Allikad
- Hastings, W. K. (1970). Monte Carlo sampling methods using Markov chains and their applications. Biometrika, 57(1), 97–109. DOI: 10.1093/biomet/57.1.97 ↗
- Carlin, B. P., Polson, N. G., & Stoffer, D. S. (1992). A Monte Carlo approach to nonnormal and nonlinear state-space modeling. Journal of the American Statistical Association, 87(418), 493–500. DOI: 10.1080/01621459.1992.10475231 ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 3). Dynamic Metropolis-Hastings Algorithm for Time-Varying Models. ScholarGate. https://scholargate.app/et/bayesian/dynamic-metropolis-hastings-algorithm
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.
- Dünaamiline Bayes'lik järeldusBayesi meetodid↔ compare
- Gibbs SamplingBayesi meetodid↔ compare
- Kalmani filterBayesi meetodid↔ compare
- Metropolis-Hastingsi algoritmBayesi meetodid↔ compare
- Particle Filter (Sequential Monte Carlo)Bayesi meetodid↔ compare
Märkasid sellel lehel viga? Teata sellest või paku parandust →