MCMC та семплування
48 — методи цієї родини.
Вибране
Байєсівська модель DCC-GARCH (Bayesian DCC-GARCH)Bayesian DCC-GARCH estimates time-varying correlations across multiple financial or economic series by combining Engle's DCC-GARCH structure with Bayesian inference. Rather than maБайєсівська гауссова сумішThe Bayesian Gaussian Mixture Model places prior distributions over all mixture parameters and infers their posteriors — typically via Variational Bayes or MCMC — rather than fittiБайєсівський філогенетичний аналізBayesian phylogenetic analysis uses Bayes' theorem and Markov chain Monte Carlo (MCMC) sampling to estimate the posterior probability distribution over phylogenetic trees and modelБаєсівська пробіт-модельThe Bayesian Probit model is a binary regression method that models the probability of a binary outcome using the normal CDF (probit link) within a Bayesian framework. It assigns pДинамічний Гамільтонів Монте-КарлоDynamic Hamiltonian Monte Carlo — widely known as the No-U-Turn Sampler (NUTS) — is an adaptive extension of Hamiltonian Monte Carlo that automatically selects the number of leapfrДинамічний алгоритм Метрополіса-ГастінгсаThe Dynamic Metropolis-Hastings (Dynamic MH) algorithm applies the Metropolis-Hastings MCMC sampler to Bayesian state-space and time-varying parameter models. At each time step, la
Маршрут читання
Найчастіше цитовані фундаментальні методи цієї теми, у порядку їх розвитку — місце для початку, якщо ви тут уперше.
Усі методи 48
Байєсівська модель DCC-GARCH (Bayesian DCC-GARCH)Байєсівська гауссова сумішБайєсівський філогенетичний аналізБаєсівська пробіт-модельДинамічний Гамільтонів Монте-КарлоДинамічний алгоритм Метрополіса-ГастінгсаДинамічний фільтр частинокДинамічний послідовний Монте-КарлоГіббсівський відбір (Gibbs Sampling)Гіббсівський семплінг для порівняння моделейGibbs Sampling with Measurement ErrorВибірка Гіббса з пропущеними данимиГамільтонів Монте-КарлоГамільтонівський Монте-Карло з похибкою вимірюванняГамільтонівський Монте-Карло з пропущеними данимиІєрархічний Гамільтонів Монте-КарлоІєрархічний ланцюг Маркова Монте-КарлоІєрархічний фільтр частинокМетод Монте-Карло на основі ланцюгів Маркова (MCMC)MCMC для порівняння моделейМВМ з похибкою вимірюванняMCMC з пропущеними данимиАлгоритм Метрополіса-ГастінгсаMetropolis-Hastings для порівняння моделейМетоди Метрополіса–Гастінгса з похибкою вимірюванняMetropolis-Hastings з пропущеними данимиБагаторівневе семплювання ГіббсаБагаторівневий Гамільтонів Монте-КарлоБагаторівневий MCMCБагаторівневий алгоритм Метрополіса-ГастінгсаСемплер No-U-Turn (NUTS)Фільтр частинок (послідовний Монте-Карло)Фільтр частинок з похибкою вимірюванняФільтр частинок з відсутніми данимиНадійний вибір ГіббсаНадійний Гамільтонів Монте-КарлоРобастний Марковський ланцюг Монте-КарлоНадійний фільтр частинокНадійний послідовний метод Монте-КарлоПослідовний Монте-КарлоПослідовне Монте-Карло з похибкою вимірюванняПослідовний Монте-Карло з пропущеними данимиВибірка по зрізахПросторове семплювання ГіббсаПросторовий MCMCЧасові ряди MCMCФільтр частинок для часових рядівПослідовний метод Монте-Карло для часових рядів