Hierarchical Markov Chain Monte Carlo
La Hierarchical Markov chain Monte Carlo (MCMC gerarchica) applica il campionamento MCMC ai modelli Bayesiani gerarchici, estraendo congiuntamente dalla posteriore sia i parametri a livello di osservazione sia gli iperparametri che li governano. Ciò consente una propagazione principiale dell'incertezza attraverso tutti i livelli di una struttura multilivello, dagli individui ai gruppi fino alla popolazione, utilizzando algoritmi come Gibbs sampling, Metropolis-Hastings o Hamiltonian Monte Carlo.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Mappa dei metodi
Il vicinato dei metodi correlati — seleziona un nodo per esplorare.
+2 altri
Fonti
- 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
Come citare questa pagina
ScholarGate. (2026, June 3). Markov Chain Monte Carlo for Hierarchical Bayesian Models. ScholarGate. https://scholargate.app/it/bayesian/hierarchical-markov-chain-monte-carlo
Quale metodo?
Affianca questo metodo ai suoi parenti più prossimi e leggili fianco a fianco — la biblioteca dispone i libri sul tavolo; la scelta è tua.
- Regressione BayesianaBayesiano↔ confronta
- Gibbs SamplingBayesiano↔ confronta
- Hamiltonian Monte CarloBayesiano↔ confronta
- Inferenza Bayesiana GerarchicaBayesiano↔ confronta
- Algoritmo di Metropolis-HastingsBayesiano↔ confronta
- Inferenza VariazionaleBayesiano↔ confronta
Citato da
Similar methods
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →