Динамический алгоритм Метрополиса — Гастингса
Динамический алгоритм Метрополиса — Гастингса (Dynamic MH) применяет MCMC-сэмплер Метрополиса — Гастингса к байесовским моделям пространства состояний и моделям с изменяющимися во времени параметрами. На каждом временном шаге скрытые состояния или эволюционирующие параметры обновляются с помощью предложений и принятия/отклонения, что дает полные апостериорные распределения по траекториям, а не отдельные отфильтрованные оценки.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Dynamic Metropolis-Hastings Algorithm for Time-Varying Models. ScholarGate. https://scholargate.app/ru/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.
- Динамический байесовский выводБайесовские методы↔ compare
- Сэмплирование по ГиббсуБайесовские методы↔ compare
- Фильтр КалманаБайесовские методы↔ compare
- Алгоритм МетрополисаБайесовские методы↔ compare
- Фильтр частиц (последовательное Монте-Карло)Байесовские методы↔ compare
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →