Hierarchical Markov Chain Monte Carlo
Hierarchical Markov chain Monte Carlo rakendab MCMC-diskreetimist hierarhilistele Bayes' mudelitele, võttes ühiselt proove nii vaatlustaseme parameetrite kui ka neid juhtivate hüperparameetrite järeltarvitusest. See võimaldab põhimõttekindlat ebakindluse levikut kõigil mitmetasandilise struktuuri tasemetel, üksikisikutest rühmade ja populatsioonini, kasutades algoritme nagu Gibbsi diskreetimine, Metropolis-Hastings või Hamiltoni Monte Carlo.
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Meetodikaart
Seotud meetodite ümbruskond — vali sõlm, et seda uurida.
+2 veel
Allikad
- 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
Kuidas sellele lehele viidata
ScholarGate. (2026, June 3). Markov Chain Monte Carlo for Hierarchical Bayesian Models. ScholarGate. https://scholargate.app/et/bayesian/hierarchical-markov-chain-monte-carlo
Milline meetod?
Aseta see meetod oma lähimate sugulaste kõrvale ja loe neid kõrvuti — raamatukogu laob raamatud lauale; valik on sinu.
- Bayes' regressioonBayesi meetodid↔ võrdle
- Gibbs SamplingBayesi meetodid↔ võrdle
- Hamiltoni Monte CarloBayesi meetodid↔ võrdle
- Hierarhiline Bayes'lik järeldamineBayesi meetodid↔ võrdle
- Metropolis-Hastingsi algoritmBayesi meetodid↔ võrdle
- Variational InferenceBayesi meetodid↔ võrdle
Sellele viitavad
Similar methods
Märkasid sellel lehel viga? Teata sellest või paku parandust →