Metropolis-Hastings Bertingkat
Metropolis-Hastings Bertingkat mengaplikasikan algoritma MCMC Metropolis-Hastings kepada model Bayesian hierarkikal (bertingkat), mengambil sampel secara serentak daripada parameter peringkat kumpulan dan hiperparameter dengan mencadangkan nilai calon dan menerimanya atau menolaknya melalui nisbah yang mematuhi posterior gabungan penuh merentasi semua peringkat model.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Peta kaedah
Kejiranan kaedah berkaitan — pilih satu nod untuk meneroka.
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
- 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 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Multilevel Metropolis-Hastings Algorithm. ScholarGate. https://scholargate.app/ms/bayesian/multilevel-metropolis-hastings
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.
- Inferensi Bayesian HierarkiBayesian↔ banding
- Algoritma Metropolis-HastingsBayesian↔ banding
- Inferens Bayes Berbilang ArasBayesian↔ banding
- Pensampelan Gibbs BertingkatBayesian↔ banding
- Hamiltonian Monte Carlo MultilevelBayesian↔ banding
- Multilevel Variational InferenceBayesian↔ banding
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →