Markov Chain Monte Carlo (MCMC) — Metropolis-Hastings un Gibbsas parauguņņemāšana
Markov Chain Monte Carlo (MCMC) ir simulācijas algoritmu saime, kas konstruē Markova šeņi, kuras stacionārār sadalījums ir mērķa aizmugurējais sadalījums, tādējādi nodrošinot beijesiskās secinājumu un augstdimensionālu integrāļķīņu aprēācināšanu, kas citādi būtu analītiski nepielaujami. MCMC, ko 1953. gadā aizsāka Metropolis un viņa kolēģi, un 1970. gadā paplašināja Hastings, ir mūsdienu beijesiskās statistikas pamats. Divi visplašāk lietotie varianti ir Metropolis-Hastings, kas piedāvāv kustības no vispārīga piedāvājuma sadalījuma, un Gibbsas parauguņņemāšana, kas katru parametru secīgi izņem no tā pilnā nosacījumā sadalījuma.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Metožu karte
Saistīto metožu apkaime — atlasiet mezglu, lai izpētītu.
+vēl 8
Avoti
- Gelman, A., Carlin, J.B., Stern, H.S., Dunson, D.B., Vehtari, A. & Rubin, D.B. (2013). Bayesian Data Analysis (3rd ed.). Chapman & Hall/CRC. DOI: 10.1201/b16018 ↗
- Brooks, S., Gelman, A., Jones, G.L. & Meng, X.-L. (Eds.) (2011). Handbook of Markov Chain Monte Carlo. Chapman & Hall/CRC. DOI: 10.1201/b10905 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 1). Markov Chain Monte Carlo (MCMC — Metropolis-Hastings, Gibbs Sampling). ScholarGate. https://scholargate.app/lv/simulation/markov-chain-monte-carlo
Kura metode?
Novietojiet šo metodi blakus tās tuvākajām radniecīgajām metodēm un lasiet tās līdzās — bibliotēka noliek grāmatas uz galda; izvēle ir jūsu.
- Aproksimatīvā Bayesian aprēķināšanaSimulācija↔ salīdzināt
- Beijesiskā regresijaBajesa metodes↔ salīdzināt
- Bootstrap simulācijaSimulācija↔ salīdzināt
- Latīņu hiperkuba paraugu ņemšanaSimulācija↔ salīdzināt
- Monte Carlo simulācijaLēmumu pieņemšana↔ salīdzināt
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →