Hierarchical Markov Chain Monte Carlo
Hierarchical Markov chain Monte Carlo stosuje próbkowanie MCMC do hierarchicznych modeli bayesowskich, wspólnie pobierając próbki z rozkładu aposteriornego zarówno parametrów na poziomie obserwacji, jak i hiperparametrów, które je określają. Pozwala to na zasadnicze propagowanie niepewności we wszystkich poziomach struktury wielopoziomowej, od jednostek, przez grupy, po populację, przy użyciu algorytmów takich jak próbkowanie Gibbsa, Metropolis-Hastings czy Hamiltonian Monte Carlo.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Mapa metod
Sąsiedztwo pokrewnych metod — wybierz węzeł, aby je zgłębić.
+2 więcej
Źródła
- 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
Jak cytować tę stronę
ScholarGate. (2026, June 3). Markov Chain Monte Carlo for Hierarchical Bayesian Models. ScholarGate. https://scholargate.app/pl/bayesian/hierarchical-markov-chain-monte-carlo
Która metoda?
Zestaw tę metodę z najbliższymi jej krewnymi i czytaj je obok siebie — biblioteka kładzie księgi na stole; wybór należy do Ciebie.
- Regresja bayesowskaStatystyka bayesowska↔ porównaj
- Próbkowanie GibbsaStatystyka bayesowska↔ porównaj
- Hamiltonian Monte CarloStatystyka bayesowska↔ porównaj
- Hierarchiczna inferencja bayesowskaStatystyka bayesowska↔ porównaj
- Algorytm Metropolisa-HastingsaStatystyka bayesowska↔ porównaj
- Inferencja wariacyjnaStatystyka bayesowska↔ porównaj
Cytowana przez
Similar methods
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →