Hierarkisk Markovkjede Monte Carlo
Hierarkisk Markovkjede Monte Carlo anvender MCMC-sampling på hierarkiske Bayesianske modeller, og trekker samtidig fra posteriorfordelingen for både observasjonsnivåparametere og hyperparameterne som styrer dem. Dette tillater prinsipiell usikkerhetsforplantning på tvers av alle nivåer i en flernivåstruktur, fra individer til grupper til populasjon, ved bruk av algoritmer som Gibbs-sampling, Metropolis-Hastings eller Hamiltonsk Monte Carlo.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
+2 more
Kilder
- 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
Slik siterer du denne siden
ScholarGate. (2026, June 3). Markov Chain Monte Carlo for Hierarchical Bayesian Models. ScholarGate. https://scholargate.app/no/bayesian/hierarchical-markov-chain-monte-carlo
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.
- Bayesiansk regresjonBayesiansk↔ compare
- Gibbs-samplingBayesiansk↔ compare
- Hamiltonian Monte CarloBayesiansk↔ compare
- Hierarkisk Bayesiansk InferensBayesiansk↔ compare
- Metropolis-Hastings-algoritmenBayesiansk↔ compare
- VariasjonsinferensBayesiansk↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →