Metropolis-Hastings for modell-sammenligning
Metropolis-Hastings for modell-sammenligning bruker Metropolis-Hastings MCMC-algoritmen til å utforske både parameter- og modellrommet samtidig, produsere posterior-sannsynligheter for konkurrerende modeller og muliggjøre Bayes-faktor-estimering uten å kreve lukkede marginale sannsynligheter. Den kanoniske utvidelsen – reversibel-hopp MCMC av Green (1995) – håndterer modeller med ulik dimensionalitet innenfor en enkelt sampler.
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.
Kilder
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Metropolis-Hastings Algorithm for Bayesian Model Comparison. ScholarGate. https://scholargate.app/no/bayesian/metropolis-hastings-for-model-comparison
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 modellgjennomsnittBayesiansk↔ compare
- Gibbs-sampling for modell-sammenligningBayesiansk↔ compare
- MCMC for modell-sammenligningBayesiansk↔ compare
- Sekvensiell Monte CarloBayesiansk↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →