Метод Метрополиса-Гастингса для сравнения моделей
Метод Метрополиса-Гастингса для сравнения моделей использует алгоритм MCMC Метрополиса-Гастингса для одновременного исследования как пространства параметров, так и пространства моделей, что позволяет получать апостериорные вероятности конкурирующих моделей и оценивать байесовские факторы без необходимости использования замкнутых выражений для маргинальных правдоподобий. Каноническое расширение — MCMC с обратимыми переходами (reversible-jump MCMC) Грина (Green, 1995) — позволяет работать с моделями различной размерности в рамках одного семплера.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Карта метода
Окружение родственных методов — выберите узел, чтобы перейти к нему.
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 ↗
- Green, P. J. (1995). Reversible jump Markov chain Monte Carlo computation and Bayesian model determination. Biometrika, 82(4), 711-732. DOI: 10.1093/biomet/82.4.711 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Metropolis-Hastings Algorithm for Bayesian Model Comparison. ScholarGate. https://scholargate.app/ru/bayesian/metropolis-hastings-for-model-comparison
Какой метод?
Поставьте этот метод рядом с ближайшими родственными и прочитайте их бок о бок — библиотека выкладывает книги на стол, а выбор за вами.
- Байесовское усреднение моделейБайесовские методы↔ сравнить
- Сэмплирование по Гиббсу для сравнения моделейБайесовские методы↔ сравнить
- MCMC для сравнения моделейБайесовские методы↔ сравнить
- Последовательный Монте-КарлоБайесовские методы↔ сравнить
Упоминается в
Similar methods
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →