Hierarkisk Markovkedjemontcarlo
Hierarkisk Markovkedjemontcarlo tillämpar MCMC-sampling på hierarkiska Bayesianska modeller, där man gemensamt drar från posteriorfördelningen för både parametrar på observationsnivå och de hyperparametrar som styr dem. Detta möjliggör principfast osäkerhetsutbredning över alla nivåer i en multinationell struktur, från individer till grupper till population, med hjälp av algoritmer som Gibbs-sampling, Metropolis-Hastings eller Hamiltonsk Monte Carlo.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Metodkarta
Närområdet av besläktade metoder — välj en nod för att utforska.
+2 till
Källor
- 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
- Robert, C. P. & Casella, G. (2004). Monte Carlo Statistical Methods (2nd ed.). Springer. ISBN: 978-0387212395
Så citerar du den här sidan
ScholarGate. (2026, June 3). Markov Chain Monte Carlo for Hierarchical Bayesian Models. ScholarGate. https://scholargate.app/sv/bayesian/hierarchical-markov-chain-monte-carlo
Vilken metod?
Placera den här metoden bredvid sina närmaste släktingar och läs dem sida vid sida — biblioteket lägger fram böckerna på bordet; valet är ditt.
- Bayesiansk regressionBayesiansk statistik↔ jämför
- Gibbs samplingBayesiansk statistik↔ jämför
- Hamiltonian Monte CarloBayesiansk statistik↔ jämför
- Hierarkisk Bayesiansk inferensBayesiansk statistik↔ jämför
- Metropolis-Hastings algoritmBayesiansk statistik↔ jämför
- VariationsinferensBayesiansk statistik↔ jämför
Refereras av
Similar methods
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →