Chaîne de Markov Monte Carlo hiérarchique
La chaîne de Markov Monte Carlo (MCMC) hiérarchique applique l'échantillonnage MCMC aux modèles bayésiens hiérarchiques, en tirant conjointement de la postérieure à la fois sur les paramètres au niveau des observations et sur les hyperparamètres qui les régissent. Cela permet une propagation principielle de l'incertitude à travers tous les niveaux d'une structure multiniveaux, des individus aux groupes en passant par la population, en utilisant des algorithmes tels que l'échantillonnage de Gibbs, Metropolis-Hastings ou Monte Carlo Hamiltonien.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Carte des méthodes
Le voisinage des méthodes apparentées — sélectionnez un nœud pour explorer.
+2 de plus
Sources
- 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
- Robert, C. P. & Casella, G. (2004). Monte Carlo Statistical Methods (2nd ed.). Springer. ISBN: 978-0387212395
Comment citer cette page
ScholarGate. (2026, June 3). Markov Chain Monte Carlo for Hierarchical Bayesian Models. ScholarGate. https://scholargate.app/fr/bayesian/hierarchical-markov-chain-monte-carlo
Quelle méthode ?
Placez cette méthode aux côtés de ses plus proches parentes et lisez-les côte à côte — la bibliothèque pose les ouvrages sur la table ; le choix vous revient.
- Régression bayésienneBayésien↔ comparer
- Échantillonnage de GibbsBayésien↔ comparer
- Monte Carlo HamiltonienBayésien↔ comparer
- Inférence bayésienne hiérarchiqueBayésien↔ comparer
- Algorithme de Metropolis-HastingsBayésien↔ comparer
- Inférence variationnelleBayésien↔ comparer
Référencée par
Similar methods
Une erreur sur cette page ? Signalez-la ou proposez une correction →