Metropolis-Hastings multinivelar
Metropolis-Hastings multinivelar aplică algoritmul MCMC Metropolis-Hastings la modele bayesiene ierarhice (multinivelare), eșantionând în comun parametrii la nivel de grup și hiperparametrii prin propunerea unor valori candidate și acceptarea sau respingerea acestora printr-un raport care respectă întreaga distribuție a posteriori comună pe toate nivelurile modelului.
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.
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
- 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 ↗
Cum se citează această pagină
ScholarGate. (2026, June 3). Multilevel Metropolis-Hastings Algorithm. ScholarGate. https://scholargate.app/ro/bayesian/multilevel-metropolis-hastings
Ce metodă?
Așezați această metodă lângă cele mai apropiate rude și citiți-le alăturat — biblioteca pune cărțile pe masă; alegerea vă aparține.
- Inferență Bayesiană IerarhicăBayesian↔ compară
- Algoritmul Metropolis-HastingsBayesian↔ compară
- Inferență bayesiană multinivelBayesian↔ compară
- Eșantionarea Gibbs multinivelBayesian↔ compară
- Hamiltonian Monte Carlo MultilevelBayesian↔ compară
- Inferență Variațională MultilevelBayesian↔ compară
Ai observat o problemă pe această pagină? Raportează sau sugerează o corectură →