Metropolis-Hastings Markov Rantai Hirarkis
Metropolis-Hastings Markov Rantai Hirarkis menerapkan sampling MCMC pada model Bayesian hirarkis, secara bersamaan menarik dari posterior atas parameter tingkat observasi dan hiperparameter yang mengaturnya. Hal ini memungkinkan propagasi ketidakpastian yang berprinsip di semua tingkatan struktur multilevel, dari individu ke kelompok ke populasi, menggunakan algoritma seperti sampling Gibbs, Metropolis-Hastings, atau Hamiltonian Monte Carlo.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Peta metode
Lingkup metode terkait — pilih sebuah simpul untuk menjelajah.
+2 lainnya
Sumber
- 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
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Markov Chain Monte Carlo for Hierarchical Bayesian Models. ScholarGate. https://scholargate.app/id/bayesian/hierarchical-markov-chain-monte-carlo
Metode yang mana?
Letakkan metode ini berdampingan dengan kerabat terdekatnya dan baca secara bersisian — pustaka menata bukunya di atas meja; pilihan ada di tangan Anda.
- Regresi BayesianBayesian↔ bandingkan
- Sampling GibbsBayesian↔ bandingkan
- Hamiltonian Monte CarloBayesian↔ bandingkan
- Inferensi Bayesian HierarkisBayesian↔ bandingkan
- Algoritma Metropolis-HastingsBayesian↔ bandingkan
- Inferensi VariasionalBayesian↔ bandingkan
Dirujuk oleh
Similar methods
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →