Metropolis-Hastings voor modelvergelijking
Metropolis-Hastings voor modelvergelijking gebruikt het Metropolis-Hastings MCMC-algoritme om zowel parameter- als modelruimte gelijktijdig te exploreren, resulterend in posterieure waarschijnlijkheden voor concurrerende modellen en het mogelijk maken van Bayes-factor schatting zonder dat gesloten-vorm marginale waarschijnlijkheden vereist zijn. De canonieke uitbreiding — reversible-jump MCMC door Green (1995) — behandelt modellen van verschillende dimensionaliteiten binnen een enkele sampler.
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.
Bronnen
- Hastings, W. K. (1970). Monte Carlo sampling methods using Markov chains and their applications. Biometrika, 57(1), 97-109. DOI: 10.1093/biomet/57.1.97 ↗
- Green, P. J. (1995). Reversible jump Markov chain Monte Carlo computation and Bayesian model determination. Biometrika, 82(4), 711-732. DOI: 10.1093/biomet/82.4.711 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Metropolis-Hastings Algorithm for Bayesian Model Comparison. ScholarGate. https://scholargate.app/nl/bayesian/metropolis-hastings-for-model-comparison
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 Model AveragingBayesiaanse statistiek↔ vergelijken
- Gibbs-sampling voor modelvergelijkingBayesiaanse statistiek↔ vergelijken
- MCMC voor modelvergelijkingBayesiaanse statistiek↔ vergelijken
- Sequentiële Monte CarloBayesiaanse statistiek↔ vergelijken
Geciteerd door
Similar methods
Een fout op deze pagina gezien? Meld het of stel een correctie voor →