Hierarchical Markov Chain Monte Carlo
Hierarchical Markov chain Monte Carlo applies MCMC sampling to hierarchical Bayesian models, jointly drawing from the posterior over both observation-level parameters and the hyperparameters that govern them. This allows principled uncertainty propagation across all levels of a multilevel structure, from individuals to groups to population, using algorithms such as Gibbs sampling, Metropolis-Hastings, or Hamiltonian Monte Carlo.
Izvorni zapis
Citati kopirani doslovno iz izvornog zapisa metode. Ne impliciraju nikakvu provjeru na razini tvrdnje.
- 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
Uređene tvrdnje
Tvrdnje pohranjene u knjigu dokaza, svaka s vlastitom procjenom.
Ovaj prikaz ne izmišlja procjenu tvrdnje kada knjiga dokaza nema nijednu.
Povezane metode
Generirano iz grafa metode i prikazano kao strojno predložene relacije — ne implicira se nikakva tvrdnja dokaza.