Metropolis-Hastings untuk Perbandingan Model
Metropolis-Hastings untuk perbandingan model menggunakan algoritma MCMC Metropolis-Hastings untuk menjelajahi ruang parameter dan model secara bersamaan, menghasilkan probabilitas posterior untuk model-model yang bersaing dan memungkinkan estimasi faktor Bayes tanpa memerlukan kemungkinan marjinal bentuk tertutup. Perluasan kanonik — MCMC lompatan reversibel oleh Green (1995) — menangani model-model dengan dimensi yang berbeda dalam satu sampler tunggal.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Peta metode
Lingkup metode terkait — pilih sebuah simpul untuk menjelajah.
Sumber
- 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 ↗
- Green, P. J. (1995). Reversible jump Markov chain Monte Carlo computation and Bayesian model determination. Biometrika, 82(4), 711-732. DOI: 10.1093/biomet/82.4.711 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Metropolis-Hastings Algorithm for Bayesian Model Comparison. ScholarGate. https://scholargate.app/id/bayesian/metropolis-hastings-for-model-comparison
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.
- Rata-rata Model BayesianBayesian↔ bandingkan
- Sampling Gibbs untuk Perbandingan ModelBayesian↔ bandingkan
- MCMC untuk Perbandingan ModelBayesian↔ bandingkan
- Monte Carlo SekuensialBayesian↔ bandingkan
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →