Cadeia de Markov Monte Carlo Hierárquica
A Cadeia de Markov Monte Carlo (MCMC) Hierárquica aplica amostragem MCMC a modelos Bayesianos hierárquicos, amostrando conjuntamente da posterior sobre parâmetros de nível de observação e os hiperparâmetros que os governam. Isso permite a propagação principiada de incerteza através de todos os níveis de uma estrutura multinível, de indivíduos a grupos e à população, usando algoritmos como amostragem de Gibbs, Metropolis-Hastings ou Monte Carlo Hamiltoniano.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Mapa de métodos
A vizinhança de métodos relacionados — selecione um nó para explorar.
+2 mais
Fontes
- 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
Como citar esta página
ScholarGate. (2026, June 3). Markov Chain Monte Carlo for Hierarchical Bayesian Models. ScholarGate. https://scholargate.app/pt/bayesian/hierarchical-markov-chain-monte-carlo
Qual método?
Coloque este método ao lado dos seus pares mais próximos e leia-os lado a lado — a biblioteca dispõe os livros sobre a mesa; a escolha é sua.
- Regressão BayesianaBayesiano↔ comparar
- Amostragem de GibbsBayesiano↔ comparar
- Monte Carlo HamiltonianoBayesiano↔ comparar
- Inferência Bayesiana HierárquicaBayesiano↔ comparar
- Algoritmo de Metropolis-HastingsBayesiano↔ comparar
- Inferência VariacionalBayesiano↔ comparar
Referenciado por
Similar methods
Encontrou um problema nesta página? Relate ou sugira uma correção →