Hierarchical Approximate Bayesian Computation
Hierarchical ABC ir uz varbūtību funkciju nesaistoša (likelihood-free)贝叶斯a infereneces metode, kas paredzēta daudzlīmeņu datu struktūrām, kurās individuālā līmeņa parametri paši tiek iegūti no populācijas līmeņa sadalījuma. Apvienojot simulācijās balstītu noraidīšanas izlasi (rejection sampling) ar hierarhisku apkopošanu (pooling), tā atgūst gan grupu iekšējos, gan starpgrupu aizmugurējos sadalījumus (posterior distributions), neprasot traktējamu varbūtības funkciju.
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
- Toni, T. & Stumpf, M. P. H. (2010). Simulation-based model selection for dynamical systems in systems and population biology. Bioinformatics, 26(1), 104–110. DOI: 10.1093/bioinformatics/btp619 ↗
- Wilkinson, R. D. (2013). Approximate Bayesian computation (ABC) gives exact results under the assumption of model error. Statistical Applications in Genetics and Molecular Biology, 12(2), 129–141. DOI: 10.1515/sagmb-2013-0010 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Hierarchical Approximate Bayesian Computation. ScholarGate. https://scholargate.app/lv/bayesian/hierarchical-approximate-bayesian-computation
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.
- Aproksimatīvā Bayesian aprēķināšanaSimulācija↔ compare
- Hierarhiskā Bayesas inferencēšanaBajesa metodes↔ compare
- Hierarchical Markov Chain Monte CarloBajesa metodes↔ compare
- Sekvenciālā Monte Karlo metodeBajesa metodes↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →