Порівняння методів
Переглядайте обрані методи поруч; рядки з відмінностями підсвічено.
| Багаторівневий алгоритм Метрополіса-Гастінгса× | Ієрархічний байєсівський висновок× | |
|---|---|---|
| Галузь | Баєсові методи | Баєсові методи |
| Родина | Bayesian methods | Bayesian methods |
| Рік появи≠ | 1953 (core); 1990s (multilevel application) | 1972 (Lindley & Smith); consolidated 1995–2013 |
| Автор методу≠ | Metropolis et al. (1953); hierarchical extension developed through 1980s–1990s Bayesian computation literature | Lindley & Smith; Gelman et al. |
| Тип≠ | MCMC sampling algorithm | Bayesian multilevel model |
| Основоположне джерело | 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 | 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 |
| Інші назви | hierarchical Metropolis-Hastings, multilevel MH, MH for hierarchical models, blocked Metropolis-Hastings | multilevel Bayesian modeling, Bayesian hierarchical model, nested Bayesian model, partial pooling model |
| Пов'язані | 6 | 6 |
| Підсумок≠ | Multilevel Metropolis-Hastings applies the Metropolis-Hastings MCMC algorithm to hierarchical (multilevel) Bayesian models, sampling jointly from group-level parameters and hyperparameters by proposing candidate values and accepting or rejecting them via a ratio that respects the full joint posterior across all levels of the model. | Hierarchical Bayesian inference is a probabilistic modeling framework that organises parameters into levels, placing priors on the group-level parameters and hyperpriors on the parameters governing those priors. It enables partial pooling of information across groups, balancing the extremes of treating each group as independent or merging them into a single estimate. |
| ScholarGateНабір даних ↗ |
|
|