Gibbs paraugšanas metodes model̦u salīdzināšanai
Gibbs paraugšanas metodes model̦u salīdzināšanai ir beijesiskā MCMC pieeja, kas vienlaicīgi paraug no konkurējošu modeļu un to parametru telpas. Papildinot Gibbs paraugšanas metodi ar diskrētu model̦a indeksa mainīgo, posteriorās model̦u varbībības un Beijesa faktori tiek novērtēti no rezultējošās Markova ķēdes, neprasot atsevišķus izpildījumus katram model̦im.
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
- Carlin, B. P. & Chib, S. (1995). Bayesian model choice via Markov chain Monte Carlo methods. Journal of the Royal Statistical Society, Series B, 57(3), 473-484. DOI: 10.1111/j.2517-6161.1995.tb02042.x ↗
- 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
Kā citēt šo lapu
ScholarGate. (2026, June 3). Gibbs Sampling for Bayesian Model Comparison. ScholarGate. https://scholargate.app/lv/bayesian/gibbs-sampling-for-model-comparison
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.
- Brojesa modeļu vidējais svērumsBajesa metodes↔ compare
- Gibbs SamplingBajesa metodes↔ compare
- Metropolis-Hastings algoritms modeļu salīdzināšanaiBajesa metodes↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →