MCMC และการสุ่มตัวอย่าง
48 วิธีในตระกูลนี้
แนะนำ
แบบจำลอง Bayesian DCC-GARCH (Bayesian DCC-GARCH)Bayesian DCC-GARCH estimates time-varying correlations across multiple financial or economic series by combining Engle's DCC-GARCH structure with Bayesian inference. Rather than maแบบจำลองส่วนผสมแบบเกาส์เซียนแบบเบย์ (Bayesian Gaussian Mixture Model)The Bayesian Gaussian Mixture Model places prior distributions over all mixture parameters and infers their posteriors — typically via Variational Bayes or MCMC — rather than fittiการวิเคราะห์สายวิวัฒนาการแบบเบย์เซียนBayesian phylogenetic analysis uses Bayes' theorem and Markov chain Monte Carlo (MCMC) sampling to estimate the posterior probability distribution over phylogenetic trees and modelแบบจำลองโพรบิตแบบเบย์ (Bayesian Probit Model)The Bayesian Probit model is a binary regression method that models the probability of a binary outcome using the normal CDF (probit link) within a Bayesian framework. It assigns pDynamic Hamiltonian Monte CarloDynamic Hamiltonian Monte Carlo — widely known as the No-U-Turn Sampler (NUTS) — is an adaptive extension of Hamiltonian Monte Carlo that automatically selects the number of leapfrอัลกอริทึม Dynamic Metropolis-HastingsThe Dynamic Metropolis-Hastings (Dynamic MH) algorithm applies the Metropolis-Hastings MCMC sampler to Bayesian state-space and time-varying parameter models. At each time step, la
เส้นทางการอ่าน
ระเบียบวิธีเชิงรากฐานที่ถูกอ้างอิงมากที่สุดของหัวข้อนี้ เรียงตามลำดับการพัฒนา — จุดเริ่มต้นที่ดีหากท่านเพิ่งเริ่มศึกษา
วิธีทั้งหมด 48
แบบจำลอง Bayesian DCC-GARCH (Bayesian DCC-GARCH)แบบจำลองส่วนผสมแบบเกาส์เซียนแบบเบย์ (Bayesian Gaussian Mixture Model)การวิเคราะห์สายวิวัฒนาการแบบเบย์เซียนแบบจำลองโพรบิตแบบเบย์ (Bayesian Probit Model)Dynamic Hamiltonian Monte Carloอัลกอริทึม Dynamic Metropolis-HastingsDynamic Particle Filterมอนติคาร์โลลำดับพลวัตการสุ่มตัวอย่างแบบกิบบส์การสุ่มตัวอย่างแบบกิบส์สำหรับการเปรียบเทียบแบบจำลองGibbs Sampling with Measurement ErrorGibbs Sampling with Missing DataHamiltonian Monte CarloHamiltonian Monte Carlo with Measurement ErrorHamiltonian Monte Carlo with Missing DataHierarchical Hamiltonian Monte CarloHierarchical Markov Chain Monte Carloตัวกรองอนุภาคแบบลำดับชั้น (Hierarchical Particle Filter)Markov Chain Monte Carlo (MCMC)MCMC สำหรับการเปรียบเทียบแบบจำลองMCMC with Measurement ErrorMCMC กับข้อมูลที่ขาดหายไปขั้นตอนวิธีเมโทรโพลิส-เฮสติงส์Metropolis-Hastings สำหรับการเปรียบเทียบโมเดลเมโทรโพลิส-ฮาสติงส์กับการวัดค่าคลาดเคลื่อนMetropolis-Hastings กับข้อมูลที่ขาดหายการสุ่มตัวอย่างแบบกิบบส์หลายระดับ (Multilevel Gibbs Sampling)Multilevel Hamiltonian Monte CarloMCMC แบบหลายระดับMultilevel Metropolis-HastingsNo-U-Turn Sampler (NUTS)Particle Filter (Sequential Monte Carlo)ตัวกรองอนุภาคพร้อมความคลาดเคลื่อนของการวัดตัวกรองอนุภาคสำหรับข้อมูลที่ขาดหายไปการสุ่มตัวอย่างแบบกีบส์ที่ทนทานวิธี Hamiltonian Monte Carlo ที่ทนทาน (Robust Hamiltonian Monte Carlo)Markov Chain Monte Carlo (MCMC) แบบทนทานRobust Particle FilterRobust Sequential Monte CarloSequential Monte CarloSequential Monte Carlo with Measurement ErrorSequential Monte Carlo with Missing DataSlice SamplingSpatial Gibbs SamplingSpatial MCMCTime Series MCMCตัวกรองอนุภาคสำหรับอนุกรมเวลาการสุ่มตัวอย่างแบบมอนติคาร์โลตามลำดับอนุกรมเวลา