Laplace-benadering
De Laplace-benadering is een klassieke analytische techniek die een onoplosbare posterior-verdeling vervangt door een multivariate Gaussische verdeling gecentreerd op de posterior-modus, waarbij de kromming van de log-posterior op die modus wordt gebruikt om de covariantie in te stellen. Geformaliseerd voor Bayesiaanse statistiek door Tierney en Kadane (1986) in hun baanbrekende artikel in de Journal of the American Statistical Association, biedt het een snel, deterministisch alternatief voor Markov chain Monte Carlo en vormt het de wiskundige kern van Integrated Nested Laplace Approximations (INLA).
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- Tierney, L. & Kadane, J. B. (1986). Accurate approximations for posterior moments and marginal densities. Journal of the American Statistical Association, 81(393), 82–86. DOI: 10.1080/01621459.1986.10478240 ↗
- MacKay, D. J. C. (2003). Information Theory, Inference, and Learning Algorithms. Cambridge University Press. ISBN: 978-0521642989
- Rue, H., Martino, S. & Chopin, N. (2009). Approximate Bayesian inference for latent Gaussian models by using integrated nested Laplace approximations. Journal of the Royal Statistical Society: Series B, 71(2), 319–392. DOI: 10.1111/j.1467-9868.2008.00700.x ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Laplace Approximation to the Posterior. ScholarGate. https://scholargate.app/nl/bayesian/laplace-approximation
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.
- Bayesian RegressieBayesiaanse statistiek↔ compare
- Expectation Propagation (EP)Bayesiaanse statistiek↔ compare
- Markov Chain Monte Carlo (MCMC)Bayesiaanse statistiek↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →