Багаторівневий алгоритм Метрополіса-Гастінгса
Багаторівневий алгоритм Метрополіса-Гастінгса застосовує алгоритм Монте-Карло за методом Марковських ланцюгів Метрополіса-Гастінгса (Metropolis-Hastings MCMC) до ієрархічних (багаторівневих) баєсових моделей, здійснюючи спільну вибірку з параметрів групового рівня та гіперпараметрів шляхом пропонування кандидатних значень та їх прийняття або відхилення за допомогою співвідношення, яке враховує повну спільну апостеріорну ймовірність на всіх рівнях моделі.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Карта методів
Околиця споріднених методів — виберіть вузол, щоб дослідити.
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
- Roberts, G. O. & Sahu, S. K. (1997). Updating schemes, correlation structure, blocking and parameterisation for the Gibbs sampler. Journal of the Royal Statistical Society: Series B, 59(2), 291-317. DOI: 10.1111/1467-9868.00070 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Multilevel Metropolis-Hastings Algorithm. ScholarGate. https://scholargate.app/uk/bayesian/multilevel-metropolis-hastings
Який метод?
Поставте цей метод поруч із його найближчими спорідненими й читайте їх пліч-о-пліч — бібліотека викладає книги на стіл; вибір за вами.
- Ієрархічний байєсівський висновокБаєсові методи↔ порівняти
- Алгоритм Метрополіса-ГастінгсаБаєсові методи↔ порівняти
- Багаторівневі байєсівські висновкиБаєсові методи↔ порівняти
- Багаторівневе семплювання ГіббсаБаєсові методи↔ порівняти
- Багаторівневий Гамільтонів Монте-КарлоБаєсові методи↔ порівняти
- Багаторівневий варіаційний висновокБаєсові методи↔ порівняти
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →