Metropolis-Hastings do porównywania modeli
Algorytm Metropolis-Hastings do porównywania modeli wykorzystuje algorytm MCMC Metropolis-Hastings do jednoczesnego eksplorowania przestrzeni parametrów i przestrzeni modeli, generując prawdopodobieństwa a posteriori dla konkurujących modeli i umożliwiając estymację czynnika Bayesa bez konieczności posiadania analitycznych gęstości brzegowych. Kanoniczne rozszerzenie — odwracalny-skok MCMC (reversible-jump MCMC) Greena (1995) — obsługuje modele o różnej wymiarowości w ramach jednego samplera.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Mapa metod
Sąsiedztwo pokrewnych metod — wybierz węzeł, aby je zgłębić.
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 ↗
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Metropolis-Hastings Algorithm for Bayesian Model Comparison. ScholarGate. https://scholargate.app/pl/bayesian/metropolis-hastings-for-model-comparison
Która metoda?
Zestaw tę metodę z najbliższymi jej krewnymi i czytaj je obok siebie — biblioteka kładzie księgi na stole; wybór należy do Ciebie.
- Uśrednianie modeli bayesowskichStatystyka bayesowska↔ porównaj
- Próbkowanie Gibbsa do porównywania modeliStatystyka bayesowska↔ porównaj
- MCMC do porównywania modeliStatystyka bayesowska↔ porównaj
- Sekwencyjne metody Monte CarloStatystyka bayesowska↔ porównaj
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →