Hierarchical Markov Chain Monte Carlo
Hierarchical Markov chain Monte Carlo (hierarhiskā MCMC) pielieto MCMC (Markov chain Monte Carlo) izlasi hierarhiskajiem Beijesa modeļiem, vienlaicīgi iegūstot paraugus no posteriora gan novērojumu līmeņa parametriem, gan hiperparametriem, kas tos pārvalda. Tas nodrošina principālu nenoteiktības izplatīšanos visos daudzlīmeņu struktūras līmeņos, sākot no indivīdiem līdz grupām un populācijai, izmantojot tādus algoritmus kā Gibbsa izlase, Metropolis-Hastings vai Hamiltona Monte Carlo.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Metožu karte
Saistīto metožu apkaime — atlasiet mezglu, lai izpētītu.
+vēl 2
Avoti
- 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
- Robert, C. P. & Casella, G. (2004). Monte Carlo Statistical Methods (2nd ed.). Springer. ISBN: 978-0387212395
Kā citēt šo lapu
ScholarGate. (2026, June 3). Markov Chain Monte Carlo for Hierarchical Bayesian Models. ScholarGate. https://scholargate.app/lv/bayesian/hierarchical-markov-chain-monte-carlo
Kura metode?
Novietojiet šo metodi blakus tās tuvākajām radniecīgajām metodēm un lasiet tās līdzās — bibliotēka noliek grāmatas uz galda; izvēle ir jūsu.
- Beijesiskā regresijaBajesa metodes↔ salīdzināt
- Gibbs SamplingBajesa metodes↔ salīdzināt
- Hamiltona MontekarloBajesa metodes↔ salīdzināt
- Hierarhiskā Bayesas inferencēšanaBajesa metodes↔ salīdzināt
- Metropolis-Hastings algoritmsBajesa metodes↔ salīdzināt
- Variacionālā secinājumiBajesa metodes↔ salīdzināt
Uz to atsaucas
Similar methods
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →