Bayesian methodsBayesian / computational
多层 Metropolis-Hastings
多层 Metropolis-Hastings 将 Metropolis-Hastings MCMC 算法应用于分层（多层）贝叶斯模型，通过提议候选值并根据尊重模型所有层级的完整联合后验的比例来接受或拒绝它们，从而联合采样群体层级参数和超参数。
在 MethodMind 中打开即将推出Apply, compare, get guidance
Tools & resources
Learn & explore
视频即将推出
阅读完整方法
仅限会员
登录使用免费账户登录即可阅读本节。
方法图谱
相关方法的邻域——选择一个节点以展开探索。
来源
- 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 ↗
如何引用本页
ScholarGate. (2026, June 3). Multilevel Metropolis-Hastings Algorithm. ScholarGate. https://scholargate.app/zh/bayesian/multilevel-metropolis-hastings
选用哪种方法？
将本方法与其最相近的同类并置，并排研读——本馆将书籍铺陈于案上，取舍则由您定夺。
- 分层贝叶斯推断贝叶斯↔ 比较
- Metropolis-Hastings算法贝叶斯↔ 比较
- 多层贝叶斯推断贝叶斯↔ 比较
- 多层吉布斯采样贝叶斯↔ 比较
- 多层哈密顿蒙特卡洛 (Multilevel Hamiltonian Monte Carlo)贝叶斯↔ 比较
- 多层变分推断贝叶斯↔ 比较