Rantai Markov Monte Carlo Berperingkat
Hierarchical Markov chain Monte Carlo mengaplikasikan pensampelan MCMC pada model Bayesian hierarkis, secara serentak mengambil sampel daripada posterior bagi parameter peringkat pemerhatian dan hiperparameter yang mengawalnya. Ini membolehkan perambatan ketidakpastian yang berasaskan prinsip merentasi semua peringkat struktur berbilang peringkat, daripada individu kepada kumpulan kepada populasi, menggunakan algoritma seperti pensampelan Gibbs, Metropolis-Hastings, atau Hamiltonian Monte Carlo.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Peta kaedah
Kejiranan kaedah berkaitan — pilih satu nod untuk meneroka.
+2 lagi
Sumber
- 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
- Robert, C. P. & Casella, G. (2004). Monte Carlo Statistical Methods (2nd ed.). Springer. ISBN: 978-0387212395
Cara memetik halaman ini
ScholarGate. (2026, June 3). Markov Chain Monte Carlo for Hierarchical Bayesian Models. ScholarGate. https://scholargate.app/ms/bayesian/hierarchical-markov-chain-monte-carlo
Kaedah yang mana?
Letakkan kaedah ini di sebelah kaedah yang paling rapat dengannya dan baca secara bersebelahan — perpustakaan menyusun buku di atas meja; pilihan terletak pada anda.
- Regresi BayesianBayesian↔ banding
- Sampel GibbsBayesian↔ banding
- Hamiltonian Monte CarloBayesian↔ banding
- Inferensi Bayesian HierarkiBayesian↔ banding
- Algoritma Metropolis-HastingsBayesian↔ banding
- Inferens VariasiBayesian↔ banding
Dirujuk oleh
Similar methods
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →