Metropolis-Hastings Multinível
Metropolis-Hastings Multinível aplica o algoritmo MCMC Metropolis-Hastings a modelos Bayesianos hierárquicos (multinível), amostrando conjuntamente parâmetros de nível de grupo e hiperparâmetros, propondo valores candidatos e aceitando-os ou rejeitando-os por meio de uma razão que respeita a posterior conjunta completa em todos os níveis do modelo.
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.
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
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 3). Multilevel Metropolis-Hastings Algorithm. ScholarGate. https://scholargate.app/pt/bayesian/multilevel-metropolis-hastings
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.
- Inferência Bayesiana HierárquicaBayesiano↔ comparar
- Algoritmo de Metropolis-HastingsBayesiano↔ comparar
- Inferência Bayesiana MultinívelBayesiano↔ comparar
- Amostragem de Gibbs MultinívelBayesiano↔ comparar
- Hamiltoniano de Monte Carlo MultinívelBayesiano↔ comparar
- Inferência Variacional MultinívelBayesiano↔ comparar
Encontrou um problema nesta página? Relate ou sugira uma correção →