Metropolis-Hastings per il confronto di modelli
Il Metropolis-Hastings per il confronto di modelli utilizza l'algoritmo MCMC Metropolis-Hastings per esplorare simultaneamente lo spazio dei parametri e lo spazio dei modelli, producendo probabilità a posteriori per modelli concorrenti e consentendo la stima del fattore di Bayes senza richiedere verosimiglianze marginali in forma chiusa. L'estensione canonica — MCMC a salti reversibili (reversible-jump MCMC) di Green (1995) — gestisce modelli di dimensionalità diverse all'interno di un singolo campionatore.
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.
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 ↗
- Green, P. J. (1995). Reversible jump Markov chain Monte Carlo computation and Bayesian model determination. Biometrika, 82(4), 711-732. DOI: 10.1093/biomet/82.4.711 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Metropolis-Hastings Algorithm for Bayesian Model Comparison. ScholarGate. https://scholargate.app/it/bayesian/metropolis-hastings-for-model-comparison
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.
- Bayesian Model AveragingBayesiano↔ confronta
- Campionamento di Gibbs per il Confronto di ModelliBayesiano↔ confronta
- Confronto tra modelli mediante MCMCBayesiano↔ confronta
- Monte Carlo SequenzialeBayesiano↔ confronta
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →