เปรียบเทียบวิธี

	แบบจำลองมาร์คอฟแบบเบย์ (Bayesian Markov Model)	การจำลองแบบมอนติคาร์โล
สาขาวิชา	การจำลอง	การตัดสินใจ
ตระกูล	Process / pipeline	MCDM
ปีกำเนิด	1990s–2000s	1949
ผู้ริเริ่ม	Briggs, A.; Sculpher, M.; and broader Bayesian statistics community	Metropolis, N., Ulam, S.
ประเภท	Probabilistic state-transition simulation	Robustness wrapper — Monte Carlo uncertainty propagation
แหล่งต้นตำรับ	Briggs, A., Sculpher, M., Claxton, K. (2006). Decision Modelling for Health Economic Evaluation. Oxford University Press, Oxford. ISBN: 9780198526629	Metropolis, N., Ulam, S. (1949). The Monte Carlo method. Journal of the American Statistical Association
ชื่อเรียกอื่น	Bayesian Markov Chain Model, Bayesian State-Transition Model, BMM, Bayesian Cohort Simulation	—
ที่เกี่ยวข้อง	4	0
สรุป	A Bayesian Markov model is a state-transition simulation method that combines Markov chain cohort modeling with Bayesian statistical inference. By placing prior distributions on transition probabilities and updating them with observed data, the approach propagates full parameter uncertainty through the simulation, yielding posterior distributions over outcomes such as costs, life-years, or quality-adjusted life-years rather than single-point estimates.	MONTE-CARLO-SIMULATION (Monte Carlo Simulation — Stochastic uncertainty propagation through MCDM model) is a ranking multi-criteria decision-making (MCDM) method introduced by Metropolis, N., Ulam, S. in 1949. It turns a decision matrix of alternatives scored on multiple criteria into a structured, reproducible result.