Viacúrovňové vzorkovanie Gibbs
Viacúrovňové vzorkovanie Gibbs aplikuje algoritmus Gibbs MCMC na hierarchické (viacúrovňové) bayesovské modely, pričom cyklicky prechádza podmienenými distribúciami parametrov na úrovni skupín a hyperparametrov na úrovni populácie. Toto využíva štruktúru podmienenej nezávislosti hierarchie na získanie presných alebo takmer presných vzoriek z aposteriórovej distribúcie, ktorá by inak bola analyticky netriviálna.
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
- Gelman, A. & Hill, J. (2007). Data Analysis Using Regression and Multilevel/Hierarchical Models. Cambridge University Press. ISBN: 978-0521686891
- 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
Ako citovať túto stránku
ScholarGate. (2026, June 3). Multilevel Gibbs Sampling for Hierarchical Bayesian Models. ScholarGate. https://scholargate.app/sk/bayesian/multilevel-gibbs-sampling
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.
- Bayesovský hierarchický modelBayesovské metódy↔ compare
- Gibbs SamplingBayesovské metódy↔ compare
- Hamiltonovský Monte CarloBayesovské metódy↔ compare
- Hierarchické Bayesovské usudzovanieBayesovské metódy↔ compare
- Algoritmus Metropolis-HastingsBayesovské metódy↔ compare
- Viacúrovňové MCMCBayesovské metódy↔ compare
Odkazujú sem
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →