Metropolis-Hastings для порівняння моделей
Metropolis-Hastings для порівняння моделей використовує алгоритм MCMC Metropolis-Hastings для одночасного дослідження простору параметрів і моделей, генеруючи апостеріорні ймовірності для конкуруючих моделей та дозволяючи оцінювати коефіцієнт Байєса без необхідності аналітичних формул для граничної правдоподібності. Канонічним розширенням є MCMC з оборотною стрибкою (reversible-jump MCMC), запропоноване Green (1995), яке дозволяє працювати з моделями різної розмірності в межах одного семплера.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Карта методів
Околиця споріднених методів — виберіть вузол, щоб дослідити.
Джерела
- 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 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Metropolis-Hastings Algorithm for Bayesian Model Comparison. ScholarGate. https://scholargate.app/uk/bayesian/metropolis-hastings-for-model-comparison
Який метод?
Поставте цей метод поруч із його найближчими спорідненими й читайте їх пліч-о-пліч — бібліотека викладає книги на стіл; вибір за вами.
- Байєсівське усереднення моделейБаєсові методи↔ порівняти
- Гіббсівський семплінг для порівняння моделейБаєсові методи↔ порівняти
- MCMC для порівняння моделейБаєсові методи↔ порівняти
- Послідовний Монте-КарлоБаєсові методи↔ порівняти
Згадується в
Similar methods
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →