Dinamikus Metropolis-Hastings algoritmus
A dinamikus Metropolis-Hastings (Dynamic MH) algoritmus a Metropolis-Hastings MCMC mintavételezőt alkalmazza a Bayes-i állapot-térbeli és időben változó paraméterű modellekre. Minden időlépésben a rejtett állapotok vagy az evolválódó paraméterek javaslat-elfogadás lépésekkel frissülnek, ami teljes utólagos eloszlásokat eredményez a trajektóriák felett, nem pedig egyedi szűrt becsléseket.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- 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 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Dynamic Metropolis-Hastings Algorithm for Time-Varying Models. ScholarGate. https://scholargate.app/hu/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.
- Dinamikus Bayes-i következtetésBayes-statisztika↔ compare
- Gibbs-mintavételBayes-statisztika↔ compare
- Kalman-szűrőBayes-statisztika↔ compare
- Metropolis-Hastings algoritmusBayes-statisztika↔ compare
- A részecskeszűrő (szekvenciális Monte Carlo)Bayes-statisztika↔ compare
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →