A3 Kirjan tai muun kokoomateoksen osa
Ergonomic and Reliable Bayesian Inference with Adaptive Markov Chain Monte Carlo (2020)


Vihola, M. (2020). Ergonomic and Reliable Bayesian Inference with Adaptive Markov Chain Monte Carlo. In N. Balakrishnan, T. Colton, B. Everitt, W. Piegorsch, F. Ruggeri, & J. L. Teugels (Eds.), Wiley StatsRef : Statistics Reference Online (pp. 1-12). John Wiley & Sons. https://doi.org/10.1002/9781118445112.stat08286


JYU-tekijät tai -toimittajat


Julkaisun tiedot

Julkaisun kaikki tekijät tai toimittajatVihola, Matti

EmojulkaisuWiley StatsRef : Statistics Reference Online

Emojulkaisun toimittajatBalakrishnan, N.; Colton, T.; Everitt, B.; Piegorsch, W.; Ruggeri, F.; Teugels, J. L.

eISBN978-1-118-44511-2

Julkaisuvuosi2020

Artikkelin sivunumerot1-12

KustantajaJohn Wiley & Sons

JulkaisumaaYhdysvallat (USA)

Julkaisun kielienglanti

DOIhttps://doi.org/10.1002/9781118445112.stat08286

Julkaisun avoin saatavuusEi avoin

Julkaisukanavan avoin saatavuus


Tiivistelmä

Adaptive Markov chain Monte Carlo (MCMC) methods provide an ergonomic way to perform Bayesian inference, imposing mild modeling constraints and requiring little user specification. The aim of this section is to provide a practical introduction to selected set of adaptive MCMC methods and to suggest guidelines for choosing appropriate methods for certain classes of models. We consider simple unimodal targets with random‐walk‐based methods, multimodal target distributions with parallel tempering, and Bayesian hidden Markov models using particle MCMC. The section is complemented by an easy‐to‐use open‐source implementation of the presented methods in Julia, with examples.


YSO-asiasanatMarkovin ketjutMonte Carlo -menetelmätbayesilainen menetelmämenetelmät


Liittyvät organisaatiot


Hankkeet, joissa julkaisu on tehty


OKM-raportointiKyllä

Raportointivuosi2020

JUFO-taso2


Viimeisin päivitys 2024-03-04 klo 20:56