Dynamiczny algorytm Metropolisa-Hastingsa
Dynamiczny algorytm Metropolisa-Hastingsa (Dynamic MH) stosuje sampler MCMC Metropolisa-Hastingsa do bayesowskich modeli przestrzeni stanów i modeli z parametrami zmiennymi w czasie. W każdym kroku czasowym, stany ukryte lub ewoluujące parametry są aktualizowane poprzez ruchy typu propozycja-akceptacja, co prowadzi do pełnych rozkładów a posteriori dla trajektorii, a nie pojedynczych estymacji filtrowanych.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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 ↗
- Carlin, B. P., Polson, N. G., & Stoffer, D. S. (1992). A Monte Carlo approach to nonnormal and nonlinear state-space modeling. Journal of the American Statistical Association, 87(418), 493–500. DOI: 10.1080/01621459.1992.10475231 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Dynamic Metropolis-Hastings Algorithm for Time-Varying Models. ScholarGate. https://scholargate.app/pl/bayesian/dynamic-metropolis-hastings-algorithm
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.
- Dynamic Bayesian InferenceStatystyka bayesowska↔ compare
- Próbkowanie GibbsaStatystyka bayesowska↔ compare
- Filtr KalmanaStatystyka bayesowska↔ compare
- Algorytm Metropolisa-HastingsaStatystyka bayesowska↔ compare
- Filtr cząsteczkowy (Sekwencyjny Monte Carlo)Statystyka bayesowska↔ compare
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →