زنجیره مارکوف مونت کارلوی سلسلهمراتبی
زنجیره مارکوف مونت کارلوی سلسلهمراتبی (Hierarchical Markov Chain Monte Carlo) نمونهبرداری MCMC را در مدلهای بیزی سلسلهمراتبی به کار میگیرد و به طور همزمان از توزیع پسین هم برای پارامترهای سطح مشاهده و هم برای فراپارامترهایی که آنها را کنترل میکنند، نمونهبرداری میکند. این رویکرد امکان انتشار اصولی عدم قطعیت را در تمام سطوح یک ساختار چندسطحی، از افراد تا گروهها و تا جمعیت، با استفاده از الگوریتمهایی مانند نمونهبرداری گیبس، متروپلیس-هاستینگز، یا مونت کارلوی همیلتونی فراهم میآورد.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
نقشهٔ روش
همسایگی روشهای مرتبط — برای کاوش، یک گره را برگزینید.
+2 مورد دیگر
منابع
- 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
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Markov Chain Monte Carlo for Hierarchical Bayesian Models. ScholarGate. https://scholargate.app/fa/bayesian/hierarchical-markov-chain-monte-carlo
کدام روش؟
این روش را در کنار نزدیکترین روشهای خویشاوندش بگذارید و آنها را کنار هم بخوانید — کتابخانه کتابها را روی میز میگشاید؛ انتخاب با شماست.
- رگرسیون بیزیبیزی↔ مقایسه
- نمونهگیری گیبسبیزی↔ مقایسه
- هامیلتونی مونت کارلوبیزی↔ مقایسه
- استنتاج بیزی سلسلهمراتبیبیزی↔ مقایسه
- الگوریتم متروپولیس-هستینگزبیزی↔ مقایسه
- استنتاج تغییریبیزی↔ مقایسه
ارجاعشده در
Similar methods
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →