متروپلیس-هستینگز چندسطحی
متروپلیس-هستینگز چندسطحی الگوریتم MCMC متروپلیس-هستینگز را برای مدلهای بیزی سلسلهمراتبی (چندسطحی) به کار میگیرد و با پیشنهاد مقادیر کاندید و پذیرش یا رد آنها از طریق نسبتی که توزیع پسین مشترک کامل را در تمام سطوح مدل رعایت میکند، به طور مشترک از پارامترهای سطح گروه و فراپارامترها نمونهبرداری 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
- 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
- Roberts, G. O. & Sahu, S. K. (1997). Updating schemes, correlation structure, blocking and parameterisation for the Gibbs sampler. Journal of the Royal Statistical Society: Series B, 59(2), 291-317. DOI: 10.1111/1467-9868.00070 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Multilevel Metropolis-Hastings Algorithm. ScholarGate. https://scholargate.app/fa/bayesian/multilevel-metropolis-hastings
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.
- استنتاج بیزی سلسلهمراتبیبیزی↔ مقایسه
- الگوریتم متروپولیس-هستینگزبیزی↔ مقایسه
- استنتاج بیزی چندسطحیبیزی↔ مقایسه
- نمونهبرداری گیبس چندسطحیبیزی↔ مقایسه
- همیلتونین مونت کارلو چندسطحیبیزی↔ مقایسه
- استنتاج بایزی سطوح متعددبیزی↔ مقایسه
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →