Multilevel Metropolis-Hastings
Multilevel Metropolis-Hastings soveltaa Metropolis-Hastings MCMC-algoritmia hierarkkisiin (monitasoisiin) Bayesiläisiin malleihin, otantaan ryhmätason parametreista ja hyperparametreista ehdokasarvoja ehdottamalla ja hyväksymällä tai hylkäämällä ne suhteella, joka kunnioittaa koko mallin kaikkien tasojen yhteistä posteriorijakaumaa.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Menetelmäkartta
Lähimenetelmien naapurusto — valitse solmu tutkiaksesi.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Multilevel Metropolis-Hastings Algorithm. ScholarGate. https://scholargate.app/fi/bayesian/multilevel-metropolis-hastings
Mikä menetelmä?
Aseta tämä menetelmä lähimpien sukulaistensa rinnalle ja lue niitä yhdessä — kirjasto asettaa teokset pöydälle; valinta on sinun.
- Hierarkkinen Bayesiläinen päättelyBayesilainen tilastotiede↔ vertaa
- Metropolis-Hastings-algoritmiBayesilainen tilastotiede↔ vertaa
- Monitasoinen Bayesilainen päättelyBayesilainen tilastotiede↔ vertaa
- Monitasoinen Gibbsin otantaBayesilainen tilastotiede↔ vertaa
- Monitasoinen Hamiltonin Monte CarloBayesilainen tilastotiede↔ vertaa
- Monitasoinen variaatioinferenssiBayesilainen tilastotiede↔ vertaa
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →