Process / pipeline
Markov Chain Monte Carlo (MCMC) — Metropolis-Hastings와 Gibbs Sampling
Markov Chain Monte Carlo (MCMC)는 목표 사후 분포를 정상 분포로 갖는 마르코프 연쇄를 구성하여, 베이즈 추론 및 해석적으로 다루기 어려운 고차원 적분 계산을 가능하게 하는 시뮬레이션 알고리즘 계열이다. 1953년 Metropolis와 동료들이 개척하고 1970년 Hastings가 확장한 MCMC는 현대 베이즈 통계학의 근간을 이룬다. 가장 널리 사용되는 두 가지 변형은 일반적인 제안 분포로부터 이동을 제안하는 Metropolis-Hastings와 각 매개변수를 차례로 전체 조건부 분포로부터 추출하는 Gibbs sampling이다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
Method map
The neighbourhood of related methods — select a node to explore.
+8 more
출처
- Gelman, A., Carlin, J.B., Stern, H.S., Dunson, D.B., Vehtari, A. & Rubin, D.B. (2013). Bayesian Data Analysis (3rd ed.). Chapman & Hall/CRC. DOI: 10.1201/b16018 ↗
- Brooks, S., Gelman, A., Jones, G.L. & Meng, X.-L. (Eds.) (2011). Handbook of Markov Chain Monte Carlo. Chapman & Hall/CRC. DOI: 10.1201/b10905 ↗
이 페이지 인용 방법
ScholarGate. (2026, June 1). Markov Chain Monte Carlo (MCMC — Metropolis-Hastings, Gibbs Sampling). ScholarGate. https://scholargate.app/ko/simulation/markov-chain-monte-carlo
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.
- 근사 베이즈 계산시뮬레이션↔ compare
- 베이즈 회귀베이지안↔ compare
- 부트스트랩 시뮬레이션시뮬레이션↔ compare
- 라틴 하이퍼큐브 샘플링시뮬레이션↔ compare
- 몬테카를로 시뮬레이션의사결정↔ compare