Иерархический Марковский Монте-Карло
Иерархический Марковский Монте-Карло применяет выборку MCMC к иерархическим байесовским моделям, совместно извлекая из апостериорного распределения как параметров на уровне наблюдений, так и гиперпараметров, которые ими управляют. Это позволяет принципиально распространять неопределенность по всем уровням многоуровневой структуры, от индивидов к группам и к популяции, используя такие алгоритмы, как выборка Гиббса, Метрополиса-Гастингса или Гамильтонов Монте-Карло.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Карта метода
Окружение родственных методов — выберите узел, чтобы перейти к нему.
+ ещё 2
Источники
- 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
Как цитировать эту страницу
ScholarGate. (2026, June 3). Markov Chain Monte Carlo for Hierarchical Bayesian Models. ScholarGate. https://scholargate.app/ru/bayesian/hierarchical-markov-chain-monte-carlo
Какой метод?
Поставьте этот метод рядом с ближайшими родственными и прочитайте их бок о бок — библиотека выкладывает книги на стол, а выбор за вами.
- Байесовская регрессияБайесовские методы↔ сравнить
- Сэмплирование по ГиббсуБайесовские методы↔ сравнить
- Гамильтонов Монте-КарлоБайесовские методы↔ сравнить
- Иерархический байесовский выводБайесовские методы↔ сравнить
- Алгоритм МетрополисаБайесовские методы↔ сравнить
- Вариационный выводБайесовские методы↔ сравнить
Упоминается в
Similar methods
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →