Metropolis-Hastings (MCMC) — Metropolis-Hastings dan Gibbs Sampling

Metropolis-Hastings (MCMC) adalah keluarga algoritma simulasi yang membangun rantai Markov yang distribusi stasionernya adalah posterior target, memungkinkan inferensi Bayesian dan komputasi integral berdimensi tinggi yang jika tidak akan sulit dipecahkan secara analitis. Dipelopori oleh Metropolis dan kolega pada tahun 1953 dan diperluas oleh Hastings pada tahun 1970, MCMC mendasari statistik Bayesian modern. Dua varian yang paling banyak digunakan adalah Metropolis-Hastings, yang mengusulkan pergerakan dari distribusi proposal umum, dan Gibbs sampling, yang menarik setiap parameter secara bergantian dari distribusi kondisional penuhnya.