Markov chain Monte Carlo ierarhic
Markov chain Monte Carlo ierarhic aplică eșantionarea MCMC la modelele bayesiene ierarhice, extrăgând simultan din posteriorul atât al parametrilor la nivel de observație, cât și al hiperparametrilor care îi guvernează. Aceasta permite propagarea principială a incertitudinii pe toate nivelurile unei structuri multinivel, de la indivizi la grupuri și la populație, utilizând algoritmi precum eșantionarea Gibbs, Metropolis-Hastings sau Hamiltonian Monte Carlo.
Citește metoda completă
Autentifică-te cu un cont gratuit pentru a citi această secțiune.
Harta metodelor
Vecinătatea metodelor înrudite — selectați un nod pentru a explora.
+2 altele
Surse
- 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
Cum se citează această pagină
ScholarGate. (2026, June 3). Markov Chain Monte Carlo for Hierarchical Bayesian Models. ScholarGate. https://scholargate.app/ro/bayesian/hierarchical-markov-chain-monte-carlo
Ce metodă?
Așezați această metodă lângă cele mai apropiate rude și citiți-le alăturat — biblioteca pune cărțile pe masă; alegerea vă aparține.
- Bayesian RegressionBayesian↔ compară
- Eșantionarea GibbsBayesian↔ compară
- Hamiltonian Monte CarloBayesian↔ compară
- Inferență Bayesiană IerarhicăBayesian↔ compară
- Algoritmul Metropolis-HastingsBayesian↔ compară
- Inferența variaționalăBayesian↔ compară
Citat de
Similar methods
Ai observat o problemă pe această pagină? Raportează sau sugerează o corectură →