Laplacen approksimaatio
Laplacen approksimaatio on klassinen analyyttinen tekniikka, joka korvaa vaikeasti käsiteltävän posteriorijakauman monimuuttujaisella Gaussin jakaumalla, jonka keskiarvo on posteriorin moodissa. Kovarianssi määritetään käyttämällä logiposteriorin kaarevuutta tässä moodissa. Tierney ja Kadane (1986) formalisoivat sen Bayesiläisessä tilastotieteessä uraauurtavassa Journal of the American Statistical Association -julkaisussaan. Se tarjoaa nopean, deterministisen vaihtoehdon Markovin ketju-Monte Carlo -menetelmille (MCMC) ja muodostaa Integrated Nested Laplace Approximations (INLA) -menetelmän matemaattisen ytimen.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Laplace Approximation to the Posterior. ScholarGate. https://scholargate.app/fi/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.
- Bayesilainen regressioBayesilainen tilastotiede↔ compare
- Odotuspropagaatio (EP)Bayesilainen tilastotiede↔ compare
- Markov-ketju-Monte Carlo (MCMC)Bayesilainen tilastotiede↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →