تقریب لاپلاس
تقریب لاپلاس یک تکنیک تحلیلی کلاسیک است که یک توزیع پسین غیرقابلمحاسبه را با یک توزیع گاوسی چندمتغیره جایگزین میکند. این توزیع گاوسی در مُد پسین متمرکز شده و از انحنای لگاریتم پسین در آن مُد برای تعیین ماتریس کوواریانس استفاده میکند. این روش که توسط Tierney و Kadane (1986) در مقاله برجسته خود در Journal of the American Statistical Association برای آمار بیزی رسمیت یافت، جایگزینی سریع و قطعی برای روش زنجیره مارکوف مونت کارلو (MCMC) ارائه میدهد و هسته ریاضیاتی تقریبهای لاپلاس تودرتوی یکپارچه (INLA) را تشکیل میدهد.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- Tierney, L. & Kadane, J. B. (1986). Accurate approximations for posterior moments and marginal densities. Journal of the American Statistical Association, 81(393), 82–86. DOI: 10.1080/01621459.1986.10478240 ↗
- MacKay, D. J. C. (2003). Information Theory, Inference, and Learning Algorithms. Cambridge University Press. ISBN: 978-0521642989
- Rue, H., Martino, S. & Chopin, N. (2009). Approximate Bayesian inference for latent Gaussian models by using integrated nested Laplace approximations. Journal of the Royal Statistical Society: Series B, 71(2), 319–392. DOI: 10.1111/j.1467-9868.2008.00700.x ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Laplace Approximation to the Posterior. ScholarGate. https://scholargate.app/fa/bayesian/laplace-approximation
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.
- رگرسیون بیزیبیزی↔ compare
- انتشار انتظاری (EP)بیزی↔ compare
- زنجیره مارکوف مونت کارلو (MCMC)بیزی↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →