Metropolis-Hastings Multilivello
Il Metropolis-Hastings Multilivello applica l'algoritmo MCMC Metropolis-Hastings a modelli bayesiani gerarchici (multilivello), campionando congiuntamente dai parametri a livello di gruppo e dagli iperparametri proponendo valori candidati e accettandoli o rifiutandoli tramite un rapporto che rispetta la piena posteriore congiunta su tutti i livelli del modello.
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
- 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
- Roberts, G. O. & Sahu, S. K. (1997). Updating schemes, correlation structure, blocking and parameterisation for the Gibbs sampler. Journal of the Royal Statistical Society: Series B, 59(2), 291-317. DOI: 10.1111/1467-9868.00070 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Multilevel Metropolis-Hastings Algorithm. ScholarGate. https://scholargate.app/it/bayesian/multilevel-metropolis-hastings
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.
- Inferenza Bayesiana GerarchicaBayesiano↔ confronta
- Algoritmo di Metropolis-HastingsBayesiano↔ confronta
- Inferenza Bayesiana MultilivelloBayesiano↔ confronta
- Campionamento di Gibbs multilivelloBayesiano↔ confronta
- Multilevel Hamiltonian Monte CarloBayesiano↔ confronta
- Inferenza variazionale multilivelloBayesiano↔ confronta
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →