Metropolis-Hastings สำหรับการเปรียบเทียบโมเดล
Metropolis-Hastings สำหรับการเปรียบเทียบโมเดล ใช้ขั้นตอนวิธี MCMC แบบ Metropolis-Hastings เพื่อสำรวจทั้งปริภูมิพารามิเตอร์และปริภูมิโมเดลไปพร้อมกัน สร้างความน่าจะเป็นภายหลัง (posterior probabilities) สำหรับโมเดลคู่แข่ง และช่วยในการประมาณค่า Bayes factor โดยไม่จำเป็นต้องใช้ค่าความน่าจะเป็นตามขอบเขตปิด (closed-form marginal likelihoods) การขยายผลตามแบบแผน — reversible-jump MCMC โดย Green (1995) — จัดการกับโมเดลที่มีมิติแตกต่างกันภายในขั้นตอนวิธีเดียว
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
แผนที่ระเบียบวิธี
ย่านของระเบียบวิธีที่เกี่ยวข้องกัน — เลือกโหนดเพื่อสำรวจ
แหล่งอ้างอิง
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Metropolis-Hastings Algorithm for Bayesian Model Comparison. ScholarGate. https://scholargate.app/th/bayesian/metropolis-hastings-for-model-comparison
ระเบียบวิธีใด?
วางระเบียบวิธีนี้เคียงข้างระเบียบวิธีใกล้เคียงที่สุด แล้วอ่านเปรียบเทียบกัน — คลังวางหนังสือไว้บนโต๊ะให้แล้ว ส่วนการเลือกเป็นของท่าน
- การเฉลี่ยแบบจำลองแบบเบย์ (Bayesian Model Averaging - BMA)เบย์↔ เปรียบเทียบ
- การสุ่มตัวอย่างแบบกิบส์สำหรับการเปรียบเทียบแบบจำลองเบย์↔ เปรียบเทียบ
- MCMC สำหรับการเปรียบเทียบแบบจำลองเบย์↔ เปรียบเทียบ
- Sequential Monte Carloเบย์↔ เปรียบเทียบ