Ієрархічний ланцюг Маркова Монте-Карло
Ієрархічний ланцюг Маркова Монте-Карло (MCMC) застосовує вибірку MCMC до ієрархічних баєсівських моделей, спільно відбираючи з апостеріорного розподілу як параметри на рівні спостережень, так і гіперпараметри, що ними керують. Це дозволяє принципово поширювати невизначеність на всіх рівнях багаторівневої структури, від індивідів до груп і популяції, використовуючи такі алгоритми, як вибірка Гіббса, Метрополіс-Гастінгс або Гамільтонів Монте-Карло.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Карта методів
Околиця споріднених методів — виберіть вузол, щоб дослідити.
+ще 2
Джерела
- 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
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Markov Chain Monte Carlo for Hierarchical Bayesian Models. ScholarGate. https://scholargate.app/uk/bayesian/hierarchical-markov-chain-monte-carlo
Який метод?
Поставте цей метод поруч із його найближчими спорідненими й читайте їх пліч-о-пліч — бібліотека викладає книги на стіл; вибір за вами.
- Байєсівська регресіяБаєсові методи↔ порівняти
- Гіббсівський відбір (Gibbs Sampling)Баєсові методи↔ порівняти
- Гамільтонів Монте-КарлоБаєсові методи↔ порівняти
- Ієрархічний байєсівський висновокБаєсові методи↔ порівняти
- Алгоритм Метрополіса-ГастінгсаБаєсові методи↔ порівняти
- Варіаційний висновокБаєсові методи↔ порівняти
Згадується в
Similar methods
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →