Multilevel Metropolis-Hastings
Multilevel Metropolis-Hastings pielāgo Metropolis-Hastings MCMC algoritmu hierarhiskiem (daudzlīmeņu) beijesiskajiem modeļiem, vienlaicīgi izlasot grupu līmeņa parametrus un hiperparametrus, piedāvājot kandidātvērtības un pieņemot vai noraidot tās, izmantojot koeficientu, kas atbilst pilnai kopīgajai aizmugurējai sadalei visos modeļa līmeņos.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Metožu karte
Saistīto metožu apkaime — atlasiet mezglu, lai izpētītu.
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
- Roberts, G. O. & Sahu, S. K. (1997). Updating schemes, correlation structure, blocking and parameterisation for the Gibbs sampler. Journal of the Royal Statistical Society: Series B, 59(2), 291-317. DOI: 10.1111/1467-9868.00070 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Multilevel Metropolis-Hastings Algorithm. ScholarGate. https://scholargate.app/lv/bayesian/multilevel-metropolis-hastings
Kura metode?
Novietojiet šo metodi blakus tās tuvākajām radniecīgajām metodēm un lasiet tās līdzās — bibliotēka noliek grāmatas uz galda; izvēle ir jūsu.
- Hierarhiskā Bayesas inferencēšanaBajesa metodes↔ salīdzināt
- Metropolis-Hastings algoritmsBajesa metodes↔ salīdzināt
- Daudzlīmeņu Bēsa secinājumiBajesa metodes↔ salīdzināt
- Daudzlīmeņu Gibsa paraugu ņemšanaBajesa metodes↔ salīdzināt
- Daudzlīmeņu Hamiltona Monte KarloBajesa metodes↔ salīdzināt
- Daudzlīmeņu variācijas izziņaBajesa metodes↔ salīdzināt
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →