Metropolis-Hastings algoritms modeļu salīdzināšanai
Metropolis-Hastings algoritms modeļu salīdzināšanai izmanto Metropolis-Hastings MCMC algoritmu, lai vienlaikus pētītu gan parametru, gan modeļu telpu, iegūstot a posteriori varbūtības konkurējošiem modeļiem un ļaujot novērtēt Bajes faktoru, neprasot slēgtas formas marginālās ticamības funkcijas. Kanoniskais paplašinājums — reversīvā lēciena MCMC (reversible-jump MCMC), ko ieviesa Grīns (Green, 1995) — apstrādā dažādu dimensiju modeļus viena paraugu ņēmēja ietvaros.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Metožu karte
Saistīto metožu apkaime — atlasiet mezglu, lai izpētītu.
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 ↗
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Metropolis-Hastings Algorithm for Bayesian Model Comparison. ScholarGate. https://scholargate.app/lv/bayesian/metropolis-hastings-for-model-comparison
Kura metode?
Novietojiet šo metodi blakus tās tuvākajām radniecīgajām metodēm un lasiet tās līdzās — bibliotēka noliek grāmatas uz galda; izvēle ir jūsu.
- Brojesa modeļu vidējais svērumsBajesa metodes↔ salīdzināt
- Gibbs paraugšanas metodes model̦u salīdzināšanaiBajesa metodes↔ salīdzināt
- MCMC modeļu salīdzināšanaiBajesa metodes↔ salīdzināt
- Sekvenciālā Monte Karlo metodeBajesa metodes↔ salīdzināt
Uz to atsaucas
Similar methods
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →