مقایسه مدل با استفاده از متروپلیس-هستینگز
مقایسه مدل با استفاده از متروپلیس-هستینگز از الگوریتم MCMC متروپلیس-هستینگز برای کاوش همزمان فضای پارامتر و مدل استفاده میکند، که احتمالات پسین (posterior probabilities) را برای مدلهای رقیب تولید کرده و تخمین فاکتور بیز (Bayes factor) را بدون نیاز به احتمالات حاشیهای (marginal likelihoods) در فرم بسته فراهم میسازد. تعمیم متعارف آن، یعنی MCMC پرش برگشتپذیر (reversible-jump MCMC) توسط گرین (1995)، مدلهایی با ابعاد متفاوت را در یک نمونهگیر واحد مدیریت میکند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
نقشهٔ روش
همسایگی روشهای مرتبط — برای کاوش، یک گره را برگزینید.
منابع
- 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 ↗
- Green, P. J. (1995). Reversible jump Markov chain Monte Carlo computation and Bayesian model determination. Biometrika, 82(4), 711-732. DOI: 10.1093/biomet/82.4.711 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Metropolis-Hastings Algorithm for Bayesian Model Comparison. ScholarGate. https://scholargate.app/fa/bayesian/metropolis-hastings-for-model-comparison
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.
- میانگینگیری مدل بیزیبیزی↔ مقایسه
- نمونهگیری گیبس برای مقایسه مدلبیزی↔ مقایسه
- MCMC برای مقایسه مدلبیزی↔ مقایسه
- مونتکارلوی ترتیبیبیزی↔ مقایسه
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →