Multilevel Metropolis-Hastings
Multilevel Metropolis-Hastings tillämpar Metropolis-Hastings MCMC-algoritmen på hierarkiska (multilevel) Bayesianska modeller, och samplar gemensamt från gruppnivåparametrar och hyperparametrar genom att föreslå kandidatvärden och acceptera eller avvisa dem via ett förhållande som respekterar hela den gemensamma posteriorfördelningen över alla nivåer i modellen.
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
- 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
- Roberts, G. O. & Sahu, S. K. (1997). Updating schemes, correlation structure, blocking and parameterisation for the Gibbs sampler. Journal of the Royal Statistical Society: Series B, 59(2), 291-317. DOI: 10.1111/1467-9868.00070 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Multilevel Metropolis-Hastings Algorithm. ScholarGate. https://scholargate.app/sv/bayesian/multilevel-metropolis-hastings
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.
- Hierarkisk Bayesiansk inferensBayesiansk statistik↔ jämför
- Metropolis-Hastings algoritmBayesiansk statistik↔ jämför
- Bayesiansk inferens på flera nivåerBayesiansk statistik↔ jämför
- Multilevel Gibbs SamplingBayesiansk statistik↔ jämför
- Multilevel-Hamilton Monte CarloBayesiansk statistik↔ jämför
- Multilevel Variational InferenceBayesiansk statistik↔ jämför
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →