Многоуровневый MCMC
Многоуровневый MCMC применяет марковские цепи Монте-Карло (MCMC) к иерархическим (многоуровневым) байесовским моделям. Он извлекает выборки из совместного апостериорного распределения как параметров группового, так и популяционного уровней одновременно, распространяя неопределенность между уровнями и позволяя проводить выводы в кластеризованных или вложенных структурах данных, где наблюдения внутри групп разделяют общие распределительные характеристики.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
+3 more
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
- Gelfand, A. E. & Smith, A. F. M. (1990). Sampling-based approaches to calculating marginal densities. Journal of the American Statistical Association, 85(410), 398-409. DOI: 10.1080/01621459.1990.10476213 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Multilevel Markov Chain Monte Carlo. ScholarGate. https://scholargate.app/ru/bayesian/multilevel-mcmc
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.
- Байесовская регрессияБайесовские методы↔ compare
- Сэмплирование по ГиббсуБайесовские методы↔ compare
- Гамильтонов Монте-КарлоБайесовские методы↔ compare
- Иерархический байесовский выводБайесовские методы↔ compare
- Алгоритм МетрополисаБайесовские методы↔ compare
- Вариационный выводБайесовские методы↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →