Dynamický algoritmus Metropolis-Hastings
Dynamický algoritmus Metropolis-Hastings (Dynamic MH) aplikuje vzorkovač Metropolis-Hastings MCMC na bayesovské modely stavového priestoru a časovo premenných parametrov. V každom časovom kroku sa latentné stavy alebo vyvíjajúce sa parametre aktualizujú pomocou návrhových a akceptačných krokov, čím sa získajú úplné aposteriorné distribúcie nad trajektóriami namiesto jednotlivých filtrovaných odhadov.
Prečítať celú metódu
Ak si chcete prečítať túto sekciu, prihláste sa s bezplatným účtom.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
- Carlin, B. P., Polson, N. G., & Stoffer, D. S. (1992). A Monte Carlo approach to nonnormal and nonlinear state-space modeling. Journal of the American Statistical Association, 87(418), 493–500. DOI: 10.1080/01621459.1992.10475231 ↗
Ako citovať túto stránku
ScholarGate. (2026, June 3). Dynamic Metropolis-Hastings Algorithm for Time-Varying Models. ScholarGate. https://scholargate.app/sk/bayesian/dynamic-metropolis-hastings-algorithm
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.
- Dynamická bayesovská inferenciaBayesovské metódy↔ compare
- Gibbs SamplingBayesovské metódy↔ compare
- Kalmanov filterBayesovské metódy↔ compare
- Algoritmus Metropolis-HastingsBayesovské metódy↔ compare
- Časticový filter (sekvenčné metódy Monte Carlo)Bayesovské metódy↔ compare
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →