Multilevel Metropolis-Hastings
Multilevel Metropolis-Hastings เป็นการประยุกต์ใช้อัลกอริทึม Metropolis-Hastings MCMC กับแบบจำลอง Bayesian แบบลำดับชั้น (multilevel) โดยทำการสุ่มค่าพารามิเตอร์ระดับกลุ่ม (group-level parameters) และไฮเปอร์พารามิเตอร์ (hyperparameters) พร้อมกัน ด้วยการเสนอค่าที่คาดหวัง (candidate values) และยอมรับหรือปฏิเสธค่าเหล่านั้นผ่านอัตราส่วนที่สอดคล้องกับ posterior ร่วม (joint posterior) ทั้งหมดในทุกระดับของแบบจำลอง
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
แผนที่ระเบียบวิธี
ย่านของระเบียบวิธีที่เกี่ยวข้องกัน — เลือกโหนดเพื่อสำรวจ
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
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Multilevel Metropolis-Hastings Algorithm. ScholarGate. https://scholargate.app/th/bayesian/multilevel-metropolis-hastings
ระเบียบวิธีใด?
วางระเบียบวิธีนี้เคียงข้างระเบียบวิธีใกล้เคียงที่สุด แล้วอ่านเปรียบเทียบกัน — คลังวางหนังสือไว้บนโต๊ะให้แล้ว ส่วนการเลือกเป็นของท่าน
- การอนุมานแบบเบย์ตามลำดับชั้นเบย์↔ เปรียบเทียบ
- ขั้นตอนวิธีเมโทรโพลิส-เฮสติงส์เบย์↔ เปรียบเทียบ
- การอนุมานแบบเบย์หลายระดับเบย์↔ เปรียบเทียบ
- การสุ่มตัวอย่างแบบกิบบส์หลายระดับ (Multilevel Gibbs Sampling)เบย์↔ เปรียบเทียบ
- Multilevel Hamiltonian Monte Carloเบย์↔ เปรียบเทียบ
- การอนุมานแบบแปรผันหลายระดับเบย์↔ เปรียบเทียบ