MCMC i próbkowanie
48 — metody w tej rodzinie.
Wyróżnione
Bayesian Dynamic Conditional Correlation GARCH (Bayesian DCC-GARCH)Bayesian DCC-GARCH estimates time-varying correlations across multiple financial or economic series by combining Engle's DCC-GARCH structure with Bayesian inference. Rather than maBayesowski model mieszaniny rozkładów GaussaThe Bayesian Gaussian Mixture Model places prior distributions over all mixture parameters and infers their posteriors — typically via Variational Bayes or MCMC — rather than fittiBayesian Phylogenetic AnalysisBayesian phylogenetic analysis uses Bayes' theorem and Markov chain Monte Carlo (MCMC) sampling to estimate the posterior probability distribution over phylogenetic trees and modelModel Bayesański ProbitThe Bayesian Probit model is a binary regression method that models the probability of a binary outcome using the normal CDF (probit link) within a Bayesian framework. It assigns pDynamic Hamiltonian Monte CarloDynamic Hamiltonian Monte Carlo — widely known as the No-U-Turn Sampler (NUTS) — is an adaptive extension of Hamiltonian Monte Carlo that automatically selects the number of leapfrDynamiczny algorytm Metropolisa-HastingsaThe Dynamic Metropolis-Hastings (Dynamic MH) algorithm applies the Metropolis-Hastings MCMC sampler to Bayesian state-space and time-varying parameter models. At each time step, la
Ścieżka lektury
Najczęściej przywoływane metody fundamentalne dla tego tematu, w kolejności ich powstawania — dobry punkt wyjścia, jeśli zaczynasz tu przygodę.
Wszystkie metody 48
Bayesian Dynamic Conditional Correlation GARCH (Bayesian DCC-GARCH)Bayesowski model mieszaniny rozkładów GaussaBayesian Phylogenetic AnalysisModel Bayesański ProbitDynamic Hamiltonian Monte CarloDynamiczny algorytm Metropolisa-HastingsaDynamiczny filtr cząsteczkowyDynamic Sequential Monte CarloPróbkowanie GibbsaPróbkowanie Gibbsa do porównywania modeliPróbkowanie Gibbsa z błędem pomiarowymPróbkowanie Gibbsa z brakującymi danymiHamiltonian Monte CarloHamiltonian Monte Carlo z błędem pomiaruHamiltonian Monte Carlo z brakującymi danymiHierarchical Hamiltonian Monte CarloHierarchical Markov Chain Monte CarloHierarchiczny filtr cząsteczkowyŁańcuchy Markowa i symulacje Monte Carlo (MCMC)MCMC do porównywania modeliMCMC z błędem pomiaruMCMC z brakującymi danymiAlgorytm Metropolisa-HastingsaMetropolis-Hastings do porównywania modeliMetropolis-Hastings z błędem pomiarowymMetropolis-Hastings z brakującymi danymiMultilevel Gibbs SamplingWielopoziomowe Monte Carlo HamiltonaWielopoziomowe MCMCWielopoziomowy algorytm Metropolisa-HastingsaSampler No-U-Turn (NUTS)Filtr cząsteczkowy (Sekwencyjny Monte Carlo)Filtr cząsteczkowy z błędem pomiaruFiltr cząsteczkowy z brakującymi danymiSolidne próbkowanie GibbsaSolidny Hamiltonian Monte CarloSolidne próbkowanie metodą łańcuchów MarkowaSolidny filtr cząsteczkowySolidarne sekwencyjne metody Monte CarloSekwencyjne metody Monte CarloSekwencyjne metody Monte Carlo z błędem pomiaruSekwencyjne metody Monte Carlo z brakującymi danymiPróbkowanie warstwowePrzestrzenne próbkowanie GibbsaPrzestrzenne MCMCMCMC dla szeregów czasowychFiltrowanie cząsteczkowe szeregów czasowychSekwencyjne metody Monte Carlo dla szeregów czasowych