Comparaison de modèles par Metropolis-Hastings
La comparaison de modèles par Metropolis-Hastings utilise l'algorithme MCMC de Metropolis-Hastings pour explorer simultanément l'espace des paramètres et des modèles, produisant des probabilités a posteriori pour les modèles concurrents et permettant l'estimation des facteurs de Bayes sans nécessiter de vraisemblances marginales sous forme fermée. L'extension canonique – MCMC à saut réversible par Green (1995) – gère des modèles de dimensions différentes au sein d'un même échantillonneur.
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.
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 ↗
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Metropolis-Hastings Algorithm for Bayesian Model Comparison. ScholarGate. https://scholargate.app/fr/bayesian/metropolis-hastings-for-model-comparison
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.
- Moyenne Bayésienne de ModèlesBayésien↔ comparer
- Échantillonnage de Gibbs pour la comparaison de modèlesBayésien↔ comparer
- MCMC pour la comparaison de modèlesBayésien↔ comparer
- Monte Carlo séquentielBayésien↔ comparer
Référencée par
Similar methods
Une erreur sur cette page ? Signalez-la ou proposez une correction →