MCMC и сэмплирование
48 — методы этого семейства.
Избранное
Байесовская динамическая условная корреляция GARCH (Bayesian DCC-GARCH)Bayesian DCC-GARCH estimates time-varying correlations across multiple financial or economic series by combining Engle's DCC-GARCH structure with Bayesian inference. Rather than maБайесовская гауссовская смесьThe Bayesian Gaussian Mixture Model places prior distributions over all mixture parameters and infers their posteriors — typically via Variational Bayes or MCMC — rather than fittiБайесовский филогенетический анализBayesian phylogenetic analysis uses Bayes' theorem and Markov chain Monte Carlo (MCMC) sampling to estimate the posterior probability distribution over phylogenetic trees and modelBayesian Probit ModelThe Bayesian Probit model is a binary regression method that models the probability of a binary outcome using the normal CDF (probit link) within a Bayesian framework. It assigns pДинамический гамильтоновский метод Монте-КарлоDynamic Hamiltonian Monte Carlo — widely known as the No-U-Turn Sampler (NUTS) — is an adaptive extension of Hamiltonian Monte Carlo that automatically selects the number of leapfrДинамический алгоритм МетрополисаThe Dynamic Metropolis-Hastings (Dynamic MH) algorithm applies the Metropolis-Hastings MCMC sampler to Bayesian state-space and time-varying parameter models. At each time step, la
План чтения
Наиболее цитируемые фундаментальные методы этой темы в порядке их появления — отправная точка, если вы здесь впервые.
Все методы 48
Байесовская динамическая условная корреляция GARCH (Bayesian DCC-GARCH)Байесовская гауссовская смесьБайесовский филогенетический анализBayesian Probit ModelДинамический гамильтоновский метод Монте-КарлоДинамический алгоритм МетрополисаДинамический фильтр частицДинамическое последовательное Монте-КарлоСэмплирование по ГиббсуСэмплирование по Гиббсу для сравнения моделейБайесовский метод Гиббса с учетом ошибки измеренияСэмплирование Гиббса для пропущенных данныхГамильтонов Монте-КарлоГамильтонов Монте-Карло с ошибкой измеренияГамильтоновский Монте-Карло с пропущенными даннымиИерархический Гамильтонов Монте-КарлоИерархический Марковский Монте-КарлоИерархический фильтр частицМетод Монте-Карло по цепям Маркова (MCMC)MCMC для сравнения моделейMCMC с ошибкой измеренияMCMC с пропущенными даннымиАлгоритм МетрополисаМетод Метрополиса-Гастингса для сравнения моделейМетрополис-Гастингс с ошибкой измеренияМетрополис-Гастингс с пропущенными даннымиМногоуровневый семплинг ГиббсаМногоуровневый гамильтонов метод Монте-КарлоМногоуровневый MCMCМногоуровневый алгоритм МетрополисаСэмплирование No-U-Turn (NUTS)Фильтр частиц (последовательное Монте-Карло)Фильтр частиц с ошибкой измеренияФильтр частиц с пропущенными даннымиRobust Gibbs SamplingРобастный Гамильтонов Монте-КарлоРобастная цепь Маркова Монте-КарлоРобастный фильтр частицРобастный последовательный Монте-КарлоПоследовательный Монте-КарлоПоследовательный Монте-Карло с ошибкой измеренияПоследовательный метод Монте-Карло с пропущенными даннымиСлайсинг (Slice Sampling)Пространственная выборка ГиббсаПространственный MCMCTime series MCMCФильтр частиц для временных рядовSequential Monte Carlo для временных рядов