Bayesian methodsBayesian / computational
Metropolis-Hastings를 이용한 모형 비교
Metropolis-Hastings를 이용한 모형 비교는 Metropolis-Hastings MCMC 알고리즘을 사용하여 모수 공간과 모형 공간을 동시에 탐색하며, 경쟁 모형들에 대한 사후 확률을 생성하고 닫힌 형태의 주변 우도(marginal likelihood)를 요구하지 않고 베이즈 요인(Bayes factor) 추정을 가능하게 합니다. Green (1995)이 제안한 가역 점프 MCMC(reversible-jump MCMC)는 단일 샘플러 내에서 서로 다른 차원의 모형들을 처리하는 표준적인 확장입니다.
MethodMind에서 열기곧 제공Apply, compare, get guidance
Tools & resources
Learn & explore
동영상곧 제공
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
방법 지도
관련 방법들로 이루어진 인접 영역 — 노드를 선택해 살펴보세요.
출처
- 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 ↗
이 페이지 인용 방법
ScholarGate. (2026, June 3). Metropolis-Hastings Algorithm for Bayesian Model Comparison. ScholarGate. https://scholargate.app/ko/bayesian/metropolis-hastings-for-model-comparison
어떤 방법일까요?
이 방법을 가장 가까운 동류의 방법들과 나란히 놓고 비교해 보세요 — 라이브러리는 책을 펼쳐 놓을 뿐, 선택은 여러분의 몫입니다.
- Bayesian Model Averaging베이지안↔ 비교
- Gibbs 샘플링을 이용한 모형 비교베이지안↔ 비교
- MCMC를 이용한 모형 비교베이지안↔ 비교
- 순차 몬테카를로 (Sequential Monte Carlo, SMC)베이지안↔ 비교