MCMC Berbilang Aras
MCMC Berbilang Aras menerapkan persampelan Markov chain Monte Carlo kepada model Bayesian hierarki (berbilang aras). Ia mengambil sampel daripada posterior tercantum bagi parameter aras kumpulan dan aras populasi secara serentak, menyebarkan ketidakpastian merentasi aras dan membolehkan inferens dalam struktur data berkelompok atau bersarang di mana pemerhatian dalam kumpulan berkongsi ciri-ciri taburan yang sama.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
+3 more
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
- 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 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Multilevel Markov Chain Monte Carlo. ScholarGate. https://scholargate.app/ms/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.
- Regresi BayesianBayesian↔ compare
- Sampel GibbsBayesian↔ compare
- Hamiltonian Monte CarloBayesian↔ compare
- Inferensi Bayesian HierarkiBayesian↔ compare
- Algoritma Metropolis-HastingsBayesian↔ compare
- Inferens VariasiBayesian↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →