MCMC ja otanta
48 menetelmää tässä perheessä.
Esittelyssä
Bayesiläinen dynaamisten ehdollisten korrelaatioiden GARCH (Bayesian DCC-GARCH)Bayesian DCC-GARCH estimates time-varying correlations across multiple financial or economic series by combining Engle's DCC-GARCH structure with Bayesian inference. Rather than maBayesiläinen Gaussinen sekoitusmalliThe Bayesian Gaussian Mixture Model places prior distributions over all mixture parameters and infers their posteriors — typically via Variational Bayes or MCMC — rather than fittiBayesiläinen fylogeneettinen analyysiBayesian phylogenetic analysis uses Bayes' theorem and Markov chain Monte Carlo (MCMC) sampling to estimate the posterior probability distribution over phylogenetic trees and modelBayesiläinen probit-malliThe Bayesian Probit model is a binary regression method that models the probability of a binary outcome using the normal CDF (probit link) within a Bayesian framework. It assigns pDynaaminen Hamiltonin Monte CarloDynamic Hamiltonian Monte Carlo — widely known as the No-U-Turn Sampler (NUTS) — is an adaptive extension of Hamiltonian Monte Carlo that automatically selects the number of leapfrDynaaminen Metropolis-Hastings-algoritmiThe Dynamic Metropolis-Hastings (Dynamic MH) algorithm applies the Metropolis-Hastings MCMC sampler to Bayesian state-space and time-varying parameter models. At each time step, la
Lukupolku
Tämän aiheen viitatuimmat perusmenetelmät kehitysjärjestyksessään — hyvä aloituspaikka, jos olet täällä uusi.
Kaikki menetelmät 48
Bayesiläinen dynaamisten ehdollisten korrelaatioiden GARCH (Bayesian DCC-GARCH)Bayesiläinen Gaussinen sekoitusmalliBayesiläinen fylogeneettinen analyysiBayesiläinen probit-malliDynaaminen Hamiltonin Monte CarloDynaaminen Metropolis-Hastings-algoritmiDynaaminen hiukkassuodatinDynaaminen sekventiaalinen Monte CarloGibbs-otantaGibbsin otanta mallivertailuunGibbs-otanta mittausvirheelläGibbs-otanta puuttuvalla datallaHamiltonin Monte CarloHamiltonin Monte Carlo -menetelmä mittausvirheelläHamiltonin Monte Carlo puuttuvilla tiedoillaHierarkkinen Hamiltonin Monte Carlo -menetelmäHierarkkinen Markovin ketju -Monte CarloHierarkkinen partikkelisuodinMarkov-ketju-Monte Carlo (MCMC)MCMC mallinnusvertailuunMCMC mittausvirheelläMCMC puuttuvilla tiedoillaMetropolis-Hastings-algoritmiMetropolis-Hastings mallivertaillussaMetropolis-Hastings mittausvirheelläMetropolis-Hastings menetelmä puuttuvalla datallaMonitasoinen Gibbsin otantaMonitasoinen Hamiltonin Monte CarloMonitasoisen MCMC:n käyttöMultilevel Metropolis-HastingsNo-U-Turn Sampler (NUTS)Partikkelisuodin (sekventiaalinen Monte Carlo)Partikkelisuodin mittausvirheelläHiukkassuodatin puuttuvilla tiedoillaRobust Gibbs SamplingRobust Hamiltonian Monte CarloRobust Markov Chain Monte CarloRobust Particle FilterRobust Sequential Monte CarloSekventiaalinen Monte CarloSekventiaalinen Monte Carlo -menetelmä mittausvirheelläSekventiaalinen Monte Carlo puuttuvilla tiedoillaViipalenäytteenottoAvaruus-Gibbs-otantaSpatial MCMCAikasarjojen MCMCAika-sarja partikkelisuodinAikasarjojen sekventiaalinen Monte Carlo -simulointi