Daudzlīmeņu Gibsa paraugu ņemšana
Daudzlīmeņu Gibsa paraugu ņemšana attiecas uz Gibsa MCMC algoritma piemērošanu hierarhiskiem (daudzlīmeņu) beijesiešu modeļiem, secīgi izmantojot grupu līmeņa parametru un populācijas līmeņa hiperparametru nosacītās sadalījumus. Tas izmanto hierarhijas nosacītās neatkarības struktūru, lai iegūtu precīzus vai gandrīz precīzus paraugus no posteriora, kas citādi būtu analītiski neaprēķināms.
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
- Gelman, A. & Hill, J. (2007). Data Analysis Using Regression and Multilevel/Hierarchical Models. Cambridge University Press. ISBN: 978-0521686891
- 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). Multilevel Gibbs Sampling for Hierarchical Bayesian Models. ScholarGate. https://scholargate.app/lv/bayesian/multilevel-gibbs-sampling
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.
- Bayesiskā hierarhiskā modelēšanaBajesa metodes↔ compare
- Gibbs SamplingBajesa metodes↔ compare
- Hamiltona MontekarloBajesa metodes↔ compare
- Hierarhiskā Bayesas inferencēšanaBajesa metodes↔ compare
- Metropolis-Hastings algoritmsBajesa metodes↔ compare
- Daudzlīmeņu MCMCBajesa metodes↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →