Markov Chain Monte Carlo (MCMC) — Metropolis-Hastings ja Gibbsi valim
Markov Chain Monte Carlo (MCMC) on simulatsioonialgoritmide perekond, mis konstrueerib Markovketi, mille statsionaarne jaotus on siht-järgnev jaotus, võimaldades Bayes' inferentsi ja kõrgedimensionaalsete integraalide arvutamist, mis muidu oleksid analüütiliselt lahendamatud. Metropolis' ja kolleegide poolt 1953. aastal algatatud ja Hastings'i poolt 1970. aastal laiendatud MCMC on tänapäevase Bayes' statistika alustala. Kaks enimkasutatud varianti on Metropolis-Hastings, mis pakub liikumisi üldisest ettepanekujaotusest, ja Gibbsi valim, mis võtab iga parameetri järjest oma täielikust tinglikust jaotusest.
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Method map
The neighbourhood of related methods — select a node to explore.
+8 more
Allikad
- Gelman, A., Carlin, J.B., Stern, H.S., Dunson, D.B., Vehtari, A. & Rubin, D.B. (2013). Bayesian Data Analysis (3rd ed.). Chapman & Hall/CRC. DOI: 10.1201/b16018 ↗
- Brooks, S., Gelman, A., Jones, G.L. & Meng, X.-L. (Eds.) (2011). Handbook of Markov Chain Monte Carlo. Chapman & Hall/CRC. DOI: 10.1201/b10905 ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 1). Markov Chain Monte Carlo (MCMC — Metropolis-Hastings, Gibbs Sampling). ScholarGate. https://scholargate.app/et/simulation/markov-chain-monte-carlo
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.
- Tundlik-vaba järeldus (Approximate Bayesian ComputationSimulatsioon↔ compare
- Bayes' regressioonBayesi meetodid↔ compare
- Bootstrap-simulatsioonSimulatsioon↔ compare
- Latin Hypercube SamplingSimulatsioon↔ compare
- Monte Carlo simulatsioonOtsustamine↔ compare
Sellele viitavad
Märkasid sellel lehel viga? Teata sellest või paku parandust →