📍 Dove siamo nel percorso

Nella sezione precedente hai visto come funziona l’inferenza bayesiana con metodi esatti (famiglie coniugate) e approssimati (metodo su griglia). Questi approcci, tuttavia, hanno un campo di applicazione ristretto: le famiglie coniugate si applicano solo a pochi modelli, mentre l’approssimazione su griglia diventa computazionalmente proibitiva con più di due o tre parametri. Per superare questi vincoli, è necessario passare a strumenti più scalabili.

Consiglio🎯 Cosa faremo in questa sezione

In questa sezione acquisirai gli strumenti per costruire e analizzare modelli bayesiani di complessità arbitraria:

• Comprendere la logica di base degli algoritmi di campionamento (Metropolis-Hastings).
• Configurare l’ambiente di lavoro installando CmdStan con l’interfaccia cmdstanr.
• Programmare modelli statistici direttamente nel linguaggio Stan.
• Verificare la convergenza delle catene di Markov con appositi strumenti diagnostici.
• Implementare un flusso di lavoro bayesiano completo, dalla specificazione del modello all’interpretazione dei risultati.

Importante📖 Collegamenti con il manuale

Questa sezione estende operativamente:

• Cap. 14 — L’algoritmo di Metropolis-Hastings
• Cap. 16 — Workflow bayesiano: integrare teoria e pratica

⚠️ Prerequisito tecnico: prima di procedere, assicurati di aver installato CmdStan seguendo le istruzioni nell’Appendice M del companion.