Динамички алгоритам Metropolis-Hastings
Динамички алгоритам Metropolis-Hastings (Dynamic MH) примењује MCMC семплер Metropolis-Hastings на Бајесове моделе стационарног простора и моделе са параметрима који варирају у времену. У сваком временском кораку, латентна стања или параметри који се развијају се ажурирају покретима предлога-и-прихватања, дајући пуне апостериорне дистрибуције преко трајекторија, а не појединачне филтриране процене.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Dynamic Metropolis-Hastings Algorithm for Time-Varying Models. ScholarGate. https://scholargate.app/sr/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.
- Динамичко Бајесово закључивањеBajesovska statistika↔ compare
- Gibbsovo uzorkovanjeBajesovska statistika↔ compare
- Kalmanov filterBajesovska statistika↔ compare
- Metropolis-Hastings algoritamBajesovska statistika↔ compare
- Филтер честица (секвенцијални Монте Карло)Bajesovska statistika↔ compare
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →