Daudzlīmeņu MCMC
Daudzlīmeņu MCMC attiecas uz Markovas ķēdes Montekarlo paraugu ņemšanu uz hierarhiskiem (daudzlīmeņu) Beijesa modeļiem. Tā iegūst paraugus no kopējā posteriora gan grupu līmeņa, gan populācijas līmeņa parametriem vienlaicīgi, izplatot nenoteiktību pa līmeņiem un nodrošinot secinājumus par sakārtotiem vai ligzdotiem datu struktūru gadījumiem, kur novērojumi grupu ietvaros dala kopīgas sadalījuma īpašības.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
+3 more
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
- Gelfand, A. E. & Smith, A. F. M. (1990). Sampling-based approaches to calculating marginal densities. Journal of the American Statistical Association, 85(410), 398-409. DOI: 10.1080/01621459.1990.10476213 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Multilevel Markov Chain Monte Carlo. ScholarGate. https://scholargate.app/lv/bayesian/multilevel-mcmc
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.
- Beijesiskā regresijaBajesa metodes↔ compare
- Gibbs SamplingBajesa metodes↔ compare
- Hamiltona MontekarloBajesa metodes↔ compare
- Hierarhiskā Bayesas inferencēšanaBajesa metodes↔ compare
- Metropolis-Hastings algoritmsBajesa metodes↔ compare
- Variacionālā secinājumiBajesa metodes↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →