Hiërarchische Markovketen Monte Carlo
Hiërarchische Markovketen Monte Carlo past MCMC-sampling toe op hiërarchische Bayesiaanse modellen, waarbij gezamenlijk wordt getrokken uit de posterior van zowel observatieniveauparameters als de hyperparameters die deze aansturen. Dit maakt principieel correcte onzekerheidspropropagatie mogelijk over alle niveaus van een multilevelstructuur, van individuen tot groepen tot de populatie, met behulp van algoritmen zoals Gibbs-sampling, Metropolis-Hastings of Hamiltoniaanse Monte Carlo.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Methodenkaart
De omgeving van verwante methoden — selecteer een knooppunt om te verkennen.
+2 meer
Bronnen
- 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
Deze pagina citeren
ScholarGate. (2026, June 3). Markov Chain Monte Carlo for Hierarchical Bayesian Models. ScholarGate. https://scholargate.app/nl/bayesian/hierarchical-markov-chain-monte-carlo
Welke methode?
Plaats deze methode naast haar naaste verwanten en lees ze naast elkaar — de bibliotheek legt de boeken op tafel; de keuze is aan u.
- Bayesian RegressieBayesiaanse statistiek↔ vergelijken
- Gibbs SamplingBayesiaanse statistiek↔ vergelijken
- Hamiltonian Monte CarloBayesiaanse statistiek↔ vergelijken
- Hiërarchische Bayesiaanse InferentieBayesiaanse statistiek↔ vergelijken
- Metropolis-Hastings AlgoritmeBayesiaanse statistiek↔ vergelijken
- Variatie-inferentieBayesiaanse statistiek↔ vergelijken
Geciteerd door
Similar methods
Een fout op deze pagina gezien? Meld het of stel een correctie voor →