Metropolis-Hastings Multilevel
Metropolis-Hastings Multilevel menerapkan algoritma MCMC Metropolis-Hastings pada model Bayesian hierarkis (multilevel), melakukan sampling secara bersamaan dari parameter tingkat kelompok dan hiperparameter dengan mengusulkan nilai kandidat dan menerimanya atau menolaknya melalui rasio yang menghormati posterior gabungan penuh di semua tingkatan model.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Peta metode
Lingkup metode terkait — pilih sebuah simpul untuk menjelajah.
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
- 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Multilevel Metropolis-Hastings Algorithm. ScholarGate. https://scholargate.app/id/bayesian/multilevel-metropolis-hastings
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.
- Inferensi Bayesian HierarkisBayesian↔ bandingkan
- Algoritma Metropolis-HastingsBayesian↔ bandingkan
- Inferensi Bayesian MultitingkatBayesian↔ bandingkan
- Sampling Gibbs MultilevelBayesian↔ bandingkan
- Hamiltonian Monte Carlo MultilevelBayesian↔ bandingkan
- Inferensi Variasional MultilevelBayesian↔ bandingkan
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →