Metropolis-Hastings för modelljämförelse
Metropolis-Hastings för modelljämförelse använder Metropolis-Hastings MCMC-algoritmen för att samtidigt utforska både parameter- och modellrymden, vilket ger posteriora sannolikheter för konkurrerande modeller och möjliggör Bayesfaktorestimering utan att kräva analytiskt lösbara marginalsannolikheter. Den kanoniska utvidgningen – reversibel-jump MCMC av Green (1995) – hanterar modeller med olika dimensionalitet inom en enda samplare.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Metodkarta
Närområdet av besläktade metoder — välj en nod för att utforska.
Källor
- 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 ↗
- Green, P. J. (1995). Reversible jump Markov chain Monte Carlo computation and Bayesian model determination. Biometrika, 82(4), 711-732. DOI: 10.1093/biomet/82.4.711 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Metropolis-Hastings Algorithm for Bayesian Model Comparison. ScholarGate. https://scholargate.app/sv/bayesian/metropolis-hastings-for-model-comparison
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 modellmedling (BMA)Bayesiansk statistik↔ jämför
- Gibbs-sampling för modelljämförelseBayesiansk statistik↔ jämför
- MCMC för modelljämförelseBayesiansk statistik↔ jämför
- Sekventiell Monte CarloBayesiansk statistik↔ jämför
Refereras av
Similar methods
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →