Иерархическое байесовское усреднение моделей
Иерархическое байесовское усреднение моделей (HBMA) объединяет байесовское усреднение моделей с иерархической структурой моделей, усредняя апостериорные величины по набору кандидатных моделей, взвешенных по апостериорной вероятности каждой модели. Вместо выбора одной наилучшей модели, HBMA распространяет неопределенность модели через иерархическую структуру, производя прогнозы и оценки параметров, которые честно отражают неопределенность относительно того, какая модель является правильной.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Карта метода
Окружение родственных методов — выберите узел, чтобы перейти к нему.
Источники
- Hoeting, J. A., Madigan, D., Raftery, A. E., & Volinsky, C. T. (1999). Bayesian model averaging: A tutorial. Statistical Science, 14(4), 382–417. link ↗
- Fragoso, T. M., Bertoli, W., & Louzada, F. (2018). Bayesian model averaging: A systematic review and conceptual classification. International Statistical Review, 86(1), 1–28. DOI: 10.1111/insr.12243 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Hierarchical Bayesian Model Averaging. ScholarGate. https://scholargate.app/ru/bayesian/hierarchical-bayesian-model-averaging
Какой метод?
Поставьте этот метод рядом с ближайшими родственными и прочитайте их бок о бок — библиотека выкладывает книги на стол, а выбор за вами.
- Байесовский информационный критерий (BIC)Оценка моделей↔ сравнить
- Байесовское усреднение моделейБайесовские методы↔ сравнить
- Байесовская регрессияБайесовские методы↔ сравнить
- Иерархический байесовский выводБайесовские методы↔ сравнить
- Иерархический Марковский Монте-КарлоБайесовские методы↔ сравнить
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →