Algoritmul Metropolis-Hastings Dinamic
Algoritmul Metropolis-Hastings Dinamic (Dynamic MH) aplică eșantionatorul MCMC Metropolis-Hastings la modelele bayesiene cu spațiu de stări și parametri variabili în timp. La fiecare pas de timp, stările latente sau parametrii în evoluție sunt actualizați prin mișcări de propunere-și-acceptare, generând distribuții posterioare complete peste traiectorii, mai degrabă decât estimări filtrate unice.
Citește metoda completă
Autentifică-te cu un cont gratuit pentru a citi această secțiune.
Method map
The neighbourhood of related methods — select a node to explore.
Surse
- 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 ↗
- Carlin, B. P., Polson, N. G., & Stoffer, D. S. (1992). A Monte Carlo approach to nonnormal and nonlinear state-space modeling. Journal of the American Statistical Association, 87(418), 493–500. DOI: 10.1080/01621459.1992.10475231 ↗
Cum se citează această pagină
ScholarGate. (2026, June 3). Dynamic Metropolis-Hastings Algorithm for Time-Varying Models. ScholarGate. https://scholargate.app/ro/bayesian/dynamic-metropolis-hastings-algorithm
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Inferență bayesiană dinamicăBayesian↔ compare
- Eșantionarea GibbsBayesian↔ compare
- Filtru KalmanBayesian↔ compare
- Algoritmul Metropolis-HastingsBayesian↔ compare
- Filtrul particulelor (Monte Carlo secvențial)Bayesian↔ compare
Ai observat o problemă pe această pagină? Raportează sau sugerează o corectură →