Wielopoziomowy algorytm Metropolisa-Hastingsa
Wielopoziomowy algorytm Metropolisa-Hastingsa stosuje algorytm MCMC Metropolisa-Hastingsa do hierarchicznych (wielopoziomowych) modeli bayesowskich, próbkując jednocześnie parametry na poziomie grup i hiperparametry poprzez proponowanie wartości kandydujących oraz akceptowanie lub odrzucanie ich za pomocą współczynnika, który uwzględnia pełne łączne prawdopodobieństwo a posteriori na wszystkich poziomach modelu.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Mapa metod
Sąsiedztwo pokrewnych metod — wybierz węzeł, aby je zgłębić.
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
- Roberts, G. O. & Sahu, S. K. (1997). Updating schemes, correlation structure, blocking and parameterisation for the Gibbs sampler. Journal of the Royal Statistical Society: Series B, 59(2), 291-317. DOI: 10.1111/1467-9868.00070 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Multilevel Metropolis-Hastings Algorithm. ScholarGate. https://scholargate.app/pl/bayesian/multilevel-metropolis-hastings
Która metoda?
Zestaw tę metodę z najbliższymi jej krewnymi i czytaj je obok siebie — biblioteka kładzie księgi na stole; wybór należy do Ciebie.
- Hierarchiczna inferencja bayesowskaStatystyka bayesowska↔ porównaj
- Algorytm Metropolisa-HastingsaStatystyka bayesowska↔ porównaj
- Wielopoziomowe wnioskowanie bayesowskieStatystyka bayesowska↔ porównaj
- Multilevel Gibbs SamplingStatystyka bayesowska↔ porównaj
- Wielopoziomowe Monte Carlo HamiltonaStatystyka bayesowska↔ porównaj
- Wielopoziomowe wnioskowanie wariacyjneStatystyka bayesowska↔ porównaj
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →