Multilevel Metropolis-Hastings
A Multilevel Metropolis-Hastings (MLMH) algoritmus a Metropolis-Hastings MCMC algoritmust alkalmazza hierarchikus (multilevel) Bayes-i modellekre, mintát véve együttesen a csoportszintű paraméterekből és a hiperparaméterekből jelölt értékek javaslásával és elfogadásával vagy elutasításával egy olyan arány alapján, amely tiszteletben tartja a modell minden szintjére kiterjedő teljes közös utóeloszlást.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Módszertérkép
A rokon módszerek környezete — válasszon ki egy csomópontot a felfedezéshez.
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
- 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 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Multilevel Metropolis-Hastings Algorithm. ScholarGate. https://scholargate.app/hu/bayesian/multilevel-metropolis-hastings
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.
- Hierarchikus Bayes-féle következtetésBayes-statisztika↔ összehasonlítás
- Metropolis-Hastings algoritmusBayes-statisztika↔ összehasonlítás
- Multilevel Bayesian InferenceBayes-statisztika↔ összehasonlítás
- Multilevel Gibbs SamplingBayes-statisztika↔ összehasonlítás
- Multilevel Hamiltonian Monte CarloBayes-statisztika↔ összehasonlítás
- Multilevel Variational InferenceBayes-statisztika↔ összehasonlítás
Similar methods
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →