Hierarchical Markov Chain Monte Carlo
Hierarchical Markov chain Monte Carlo (MCMC) ประยุกต์ใช้การสุ่มตัวอย่างแบบ MCMC กับแบบจำลองเบย์แบบลำดับชั้น โดยทำการสุ่มจาก posterior ของทั้งพารามิเตอร์ระดับการสังเกตการณ์และไฮเปอร์พารามิเตอร์ที่ควบคุมพารามิเตอร์เหล่านั้น ซึ่งช่วยให้สามารถแพร่กระจายความไม่แน่นอนได้อย่างมีหลักการในทุกระดับของโครงสร้างหลายระดับ ตั้งแต่ระดับบุคคล กลุ่ม ไปจนถึงประชากร โดยใช้อัลกอริทึม เช่น Gibbs sampling, Metropolis-Hastings หรือ Hamiltonian Monte Carlo
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
แผนที่ระเบียบวิธี
ย่านของระเบียบวิธีที่เกี่ยวข้องกัน — เลือกโหนดเพื่อสำรวจ
+2 เพิ่มเติม
แหล่งอ้างอิง
- 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
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Markov Chain Monte Carlo for Hierarchical Bayesian Models. ScholarGate. https://scholargate.app/th/bayesian/hierarchical-markov-chain-monte-carlo
ระเบียบวิธีใด?
วางระเบียบวิธีนี้เคียงข้างระเบียบวิธีใกล้เคียงที่สุด แล้วอ่านเปรียบเทียบกัน — คลังวางหนังสือไว้บนโต๊ะให้แล้ว ส่วนการเลือกเป็นของท่าน
- การถดถอยแบบเบย์ (Bayesian Regression)เบย์↔ เปรียบเทียบ
- การสุ่มตัวอย่างแบบกิบบส์เบย์↔ เปรียบเทียบ
- Hamiltonian Monte Carloเบย์↔ เปรียบเทียบ
- การอนุมานแบบเบย์ตามลำดับชั้นเบย์↔ เปรียบเทียบ
- ขั้นตอนวิธีเมโทรโพลิส-เฮสติงส์เบย์↔ เปรียบเทียบ
- การอนุมานแบบแปรผันเบย์↔ เปรียบเทียบ