Filtro particellare gerarchico
Un filtro particellare gerarchico estende il Monte Carlo Sequenziale (SMC) ai modelli spazio-temporali con molteplici livelli di variabili latenti. Le particelle vengono propagate a ogni livello della gerarchia, consentendo al metodo di tracciare simultaneamente sia le dinamiche dello stato a grana fine sia gli iperparametri a variazione più lenta, producendo distribuzioni posteriori calibrate su tutti i livelli del modello.
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
- Briers, M., Doucet, A. & Maskell, S. (2010). Smoothing algorithms for state-space models. Annals of the Institute of Statistical Mathematics, 62(1), 61-89. DOI: 10.1007/s10463-009-0236-2 ↗
- Chopin, N., Jacob, P. E. & Papaspiliopoulos, O. (2013). SMC2: an efficient algorithm for sequential analysis of state-space models. Journal of the Royal Statistical Society: Series B, 75(3), 397-426. DOI: 10.1111/j.1467-9868.2012.01046.x ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Hierarchical Particle Filter. ScholarGate. https://scholargate.app/it/bayesian/hierarchical-particle-filter
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 GerarchicaBayesiano↔ compare
- Hierarchical Markov Chain Monte CarloBayesiano↔ compare
- Filtro di KalmanBayesiano↔ compare
- Filtro a particelle (Monte Carlo Sequenziale)Bayesiano↔ compare
- Monte Carlo SequenzialeBayesiano↔ compare
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →