Algorithme Dynamique de Metropolis-Hastings
L'algorithme Dynamique de Metropolis-Hastings (Dynamic MH) applique l'échantillonneur MCMC de Metropolis-Hastings aux modèles bayésiens d'espace d'états et à paramètres variant dans le temps. À chaque pas de temps, les états latents ou les paramètres évolutifs sont mis à jour par des mouvements de proposition et d'acceptation, produisant des distributions a posteriori complètes sur les trajectoires plutôt que des estimations filtrées uniques.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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 ↗
- Carlin, B. P., Polson, N. G., & Stoffer, D. S. (1992). A Monte Carlo approach to nonnormal and nonlinear state-space modeling. Journal of the American Statistical Association, 87(418), 493–500. DOI: 10.1080/01621459.1992.10475231 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Dynamic Metropolis-Hastings Algorithm for Time-Varying Models. ScholarGate. https://scholargate.app/fr/bayesian/dynamic-metropolis-hastings-algorithm
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.
- Inférence bayésienne dynamiqueBayésien↔ compare
- Échantillonnage de GibbsBayésien↔ compare
- Filtre de KalmanBayésien↔ compare
- Algorithme de Metropolis-HastingsBayésien↔ compare
- Filtre particulaire (Monte Carlo séquentiel)Bayésien↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →