Багаторівневий MCMC
Багаторівневий MCMC застосовує марковські ланцюги Монте-Карло для ієрархічних (багаторівневих) байєсівських моделей. Він одночасно вибирає вибірки зі спільних апостеріорних розподілів як параметрів групового, так і параметрів популяційного рівнів, поширюючи невизначеність між рівнями та дозволяючи робити висновки в кластеризованих або вкладених структурах даних, де спостереження в межах груп мають спільні розподільні характеристики.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Method map
The neighbourhood of related methods — select a node to explore.
+3 more
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
- Gelfand, A. E. & Smith, A. F. M. (1990). Sampling-based approaches to calculating marginal densities. Journal of the American Statistical Association, 85(410), 398-409. DOI: 10.1080/01621459.1990.10476213 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Multilevel Markov Chain Monte Carlo. ScholarGate. https://scholargate.app/uk/bayesian/multilevel-mcmc
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Байєсівська регресіяБаєсові методи↔ compare
- Гіббсівський відбір (Gibbs Sampling)Баєсові методи↔ compare
- Гамільтонів Монте-КарлоБаєсові методи↔ compare
- Ієрархічний байєсівський висновокБаєсові методи↔ compare
- Алгоритм Метрополіса-ГастінгсаБаєсові методи↔ compare
- Варіаційний висновокБаєсові методи↔ compare
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →