Dinamiskais Metropolis-Hastingsa algoritms
Dinamiskais Metropolis-Hastingsa (Dynamic MH) algoritms attiecina Metropolis-Hastingsa MCMC paraugu ņemšanas metodi uz Beijesa statiskās telpas un laika mainīgo parametru modeļiem. Katrā laika solī latentie stāvokļi vai mainīgie parametri tiek atjaunināti, izmantojot piedāvājuma un pieņemšanas gājienus, tādējādi iegūstot pilnas aizmugurējās sadalījumus pāri trajektorijām, nevis atsevišķus filtrētus novērtējumus.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
- Carlin, B. P., Polson, N. G., & Stoffer, D. S. (1992). A Monte Carlo approach to nonnormal and nonlinear state-space modeling. Journal of the American Statistical Association, 87(418), 493–500. DOI: 10.1080/01621459.1992.10475231 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Dynamic Metropolis-Hastings Algorithm for Time-Varying Models. ScholarGate. https://scholargate.app/lv/bayesian/dynamic-metropolis-hastings-algorithm
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.
- Dinamiskā Bayesas inferencēšanaBajesa metodes↔ compare
- Gibbs SamplingBajesa metodes↔ compare
- Kalman FilterBajesa metodes↔ compare
- Metropolis-Hastings algoritmsBajesa metodes↔ compare
- Particle Filter (Sequential Monte Carlo)Bajesa metodes↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →