Metropolis-Hastings mallivertaillussa
Metropolis-Hastings mallivertaillussa hyödyntää Metropolis-Hastings MCMC-algoritmia tutkiakseen samanaikaisesti sekä parametri- että malliavaruutta, tuottaen kilpailevien mallien posterioritodennäköisyydet ja mahdollistaen Bayes-tekijöiden estimoinnin ilman suljetun muodon marginaalitodennäköisyyksiä. Kanoninen laajennus – Greenin (1995) reversible-jump MCMC – käsittelee eridimensionaalisia malleja yhden sampleriin sisällä.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Menetelmäkartta
Lähimenetelmien naapurusto — valitse solmu tutkiaksesi.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Metropolis-Hastings Algorithm for Bayesian Model Comparison. ScholarGate. https://scholargate.app/fi/bayesian/metropolis-hastings-for-model-comparison
Mikä menetelmä?
Aseta tämä menetelmä lähimpien sukulaistensa rinnalle ja lue niitä yhdessä — kirjasto asettaa teokset pöydälle; valinta on sinun.
- Bayesiläinen mallikeskiarvoistusBayesilainen tilastotiede↔ vertaa
- Gibbsin otanta mallivertailuunBayesilainen tilastotiede↔ vertaa
- MCMC mallinnusvertailuunBayesilainen tilastotiede↔ vertaa
- Sekventiaalinen Monte CarloBayesilainen tilastotiede↔ vertaa
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →