Metropolis-Hastings multiniveau
Le Metropolis-Hastings multiniveau applique l'algorithme MCMC de Metropolis-Hastings aux modèles bayésiens hiérarchiques (multiniveaux), échantillonnant conjointement les paramètres de niveau groupe et les hyperparamètres en proposant des valeurs candidates et en les acceptant ou rejetant via un ratio qui respecte la pleine postérieure jointe à travers tous les niveaux du modèle.
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
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Multilevel Metropolis-Hastings Algorithm. ScholarGate. https://scholargate.app/fr/bayesian/multilevel-metropolis-hastings
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.
- Inférence bayésienne hiérarchiqueBayésien↔ comparer
- Algorithme de Metropolis-HastingsBayésien↔ comparer
- Inférence bayésienne multiniveauxBayésien↔ comparer
- Échantillonnage de Gibbs multiniveauxBayésien↔ comparer
- Hamiltonien de Monte Carlo multiniveauBayésien↔ comparer
- Inférence variationnelle multiniveauBayésien↔ comparer
Une erreur sur cette page ? Signalez-la ou proposez une correction →