Hierarchikus Markov-lánc Monte Carlo
A hierarchikus Markov-lánc Monte Carlo (MCMC) mintavételezést alkalmaz hierarchikus Bayes-i modellekre, amelyek egyidejűleg mintát vesznek az észlelési szintű paraméterek, valamint az őket szabályozó hiperparaméterek utóeloszlásából. Ez lehetővé teszi a bizonytalanság szisztematikus propagálását egy több szintű struktúra minden szintjén, az egyénektől a csoportokon át a populációig, olyan algoritmusok segítségével, mint a Gibbs-mintavételezés, Metropolis-Hastings vagy Hamiltoni Monte Carlo.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Módszertérkép
A rokon módszerek környezete — válasszon ki egy csomópontot a felfedezéshez.
+2 további
Források
- 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
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Markov Chain Monte Carlo for Hierarchical Bayesian Models. ScholarGate. https://scholargate.app/hu/bayesian/hierarchical-markov-chain-monte-carlo
Melyik módszer?
Állítsa e módszert a hozzá legközelebb álló rokonai mellé, és olvassa őket egymás mellett — a könyvtár az asztalra teszi a könyveket; a választás az Öné.
- Bayes-féle RegresszióBayes-statisztika↔ összehasonlítás
- Gibbs-mintavételBayes-statisztika↔ összehasonlítás
- Hamiltonian Monte CarloBayes-statisztika↔ összehasonlítás
- Hierarchikus Bayes-féle következtetésBayes-statisztika↔ összehasonlítás
- Metropolis-Hastings algoritmusBayes-statisztika↔ összehasonlítás
- Variational InferenceBayes-statisztika↔ összehasonlítás
Hivatkozik rá
Similar methods
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →