Process / pipeline
马尔可夫链蒙特卡洛 (MCMC) — Metropolis-Hastings 算法和 Gibbs 抽样
马尔可夫链蒙特卡洛 (MCMC) 是一系列模拟算法，它构建一个马尔可夫链，使其平稳分布为目标后验分布，从而实现贝叶斯推断和高维积分计算，否则这些计算在分析上是难以处理的。MCMC 由 Metropolis 及其同事于 1953 年开创，并由 Hastings 于 1970 年扩展，是现代贝叶斯统计的基础。两种最广泛使用的变体是 Metropolis-Hastings 算法（它从一个通用提议分布中提出移动）和 Gibbs 抽样（它依次从其完全条件分布中抽取每个参数）。
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。
另有 8 项
来源
- Gelman, A., Carlin, J.B., Stern, H.S., Dunson, D.B., Vehtari, A. & Rubin, D.B. (2013). Bayesian Data Analysis (3rd ed.). Chapman & Hall/CRC. DOI: 10.1201/b16018 ↗
- Brooks, S., Gelman, A., Jones, G.L. & Meng, X.-L. (Eds.) (2011). Handbook of Markov Chain Monte Carlo. Chapman & Hall/CRC. DOI: 10.1201/b10905 ↗
如何引用本页
ScholarGate. (2026, June 1). Markov Chain Monte Carlo (MCMC — Metropolis-Hastings, Gibbs Sampling). ScholarGate. https://scholargate.app/zh/simulation/markov-chain-monte-carlo
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。
并排比较 →