Многоуровневый алгоритм Метрополиса — Гастингса
Многоуровневый алгоритм Метрополиса — Гастингса применяет алгоритм MCMC Метрополиса — Гастингса к иерархическим (многоуровневым) байесовским моделям, совместно отбирая параметры группового уровня и гиперпараметры путем предложения кандидатных значений и их принятия или отклонения с помощью отношения, которое учитывает полную совместную апостериорную вероятность на всех уровнях модели.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Карта метода
Окружение родственных методов — выберите узел, чтобы перейти к нему.
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
- Roberts, G. O. & Sahu, S. K. (1997). Updating schemes, correlation structure, blocking and parameterisation for the Gibbs sampler. Journal of the Royal Statistical Society: Series B, 59(2), 291-317. DOI: 10.1111/1467-9868.00070 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Multilevel Metropolis-Hastings Algorithm. ScholarGate. https://scholargate.app/ru/bayesian/multilevel-metropolis-hastings
Какой метод?
Поставьте этот метод рядом с ближайшими родственными и прочитайте их бок о бок — библиотека выкладывает книги на стол, а выбор за вами.
- Иерархический байесовский выводБайесовские методы↔ сравнить
- Алгоритм МетрополисаБайесовские методы↔ сравнить
- Многоуровневое байесовское моделированиеБайесовские методы↔ сравнить
- Многоуровневый семплинг ГиббсаБайесовские методы↔ сравнить
- Многоуровневый гамильтонов метод Монте-КарлоБайесовские методы↔ сравнить
- Многоуровневый вариационный выводБайесовские методы↔ сравнить
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →