Algoritmo Metropolis-Hastings Dinamico
L'algoritmo Metropolis-Hastings Dinamico (MH Dinamico) applica il campionatore MCMC Metropolis-Hastings a modelli bayesiani di spazio degli stati e con parametri variabili nel tempo. Ad ogni passo temporale, gli stati latenti o i parametri in evoluzione vengono aggiornati tramite mosse di proposta e accettazione, producendo distribuzioni posteriori complete sulle traiettorie piuttosto che singole stime filtrate.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- 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 ↗
- Carlin, B. P., Polson, N. G., & Stoffer, D. S. (1992). A Monte Carlo approach to nonnormal and nonlinear state-space modeling. Journal of the American Statistical Association, 87(418), 493–500. DOI: 10.1080/01621459.1992.10475231 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Dynamic Metropolis-Hastings Algorithm for Time-Varying Models. ScholarGate. https://scholargate.app/it/bayesian/dynamic-metropolis-hastings-algorithm
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Inferenza Bayesiana DinamicaBayesiano↔ compare
- Gibbs SamplingBayesiano↔ compare
- Filtro di KalmanBayesiano↔ compare
- Algoritmo di Metropolis-HastingsBayesiano↔ compare
- Filtro a particelle (Monte Carlo Sequenziale)Bayesiano↔ compare
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →