MCMC modeļu salīdzināšanai
MCMC modeļu salīdzināšanai izmanto Markova ķēžu Monte Karlo algoritmus, lai novērtētu marginālās varbūtības un Bajes faktorus, kas nepieciešami, lai formāli salīdzinātu konkurējošus statistikas modeļus. Tādas metodes kā atgriezeniskās pārejas MCMC (reversible-jump MCMC) un tilta paraugu ņemšana (bridge sampling) ļauj pētīt modeļu telpas ar atšķirīgu dimensionalitāti, nodrošinot pilnīgi Bajes modeļu atlasi un vidējošanu.
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
- Green, P. J. (1995). Reversible jump Markov chain Monte Carlo computation and Bayesian model determination. Biometrika, 82(4), 711–732. DOI: 10.1093/biomet/82.4.711 ↗
- Meng, X.-L., & Wong, W. H. (1996). Simulating ratios of normalizing constants via a simple identity: A theoretical exploration. Statistica Sinica, 6(4), 831–860. link ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Markov Chain Monte Carlo for Bayesian Model Comparison. ScholarGate. https://scholargate.app/lv/bayesian/mcmc-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.
- Aproksimatīvā Bayesian aprēķināšanaSimulācija↔ compare
- Brojesa modeļu vidējais svērumsBajesa metodes↔ compare
- Gibbs SamplingBajesa metodes↔ compare
- Hamiltona MontekarloBajesa metodes↔ compare
- Mārkova ķēžu Montekarlo (MCMC)Bajesa metodes↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →