Metropolis-Hastings đa cấp
Metropolis-Hastings đa cấp áp dụng thuật toán MCMC Metropolis-Hastings cho các mô hình Bayes phân cấp (đa cấp), lấy mẫu đồng thời từ các tham số cấp nhóm và siêu tham số bằng cách đề xuất các giá trị ứng viên và chấp nhận hoặc từ chối chúng thông qua một tỷ lệ tôn trọng phân phối hậu nghiệm chung đầy đủ trên tất cả các cấp độ của mô hình.
Đọc toàn bộ phương pháp
Đăng nhập bằng tài khoản miễn phí để đọc phần này.
Bản đồ phương pháp
Lân cận của các phương pháp liên quan — chọn một nút để khám phá.
Nguồn tài liệu
- 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 ↗
Cách trích dẫn trang này
ScholarGate. (2026, June 3). Multilevel Metropolis-Hastings Algorithm. ScholarGate. https://scholargate.app/vi/bayesian/multilevel-metropolis-hastings
Phương pháp nào?
Đặt phương pháp này bên cạnh những phương pháp gần gũi nhất với nó và đọc chúng song song — thư viện bày sách lên bàn; lựa chọn là của bạn.
- Suy luận Bayes phân cấpBayes↔ so sánh
- Thuật toán Metropolis-HastingsBayes↔ so sánh
- Suy luận Bayes đa cấpBayes↔ so sánh
- Multilevel Gibbs SamplingBayes↔ so sánh
- Hamiltonian Monte Carlo Đa cấpBayes↔ so sánh
- Suy diễn biến phân đa cấpBayes↔ so sánh
Phát hiện lỗi trên trang này? Báo cáo hoặc đề xuất chỉnh sửa →