MCMC с грешка в измерването
MCMC с грешка в измерването прилага Марковски Монте Карло семплиране към Байесови модели, които изрично отчитат факта, че ковариатите или изходите се наблюдават с грешка. Като третира истинските, ненаблюдавани стойности като латентни променливи и семплира тяхната съвместна апостериорна заедно с всички други параметри, методът коригира за затихване на отклонението (attenuation bias) и произвежда валидни заключения дори когато някои променливи не могат да бъдат измерени точно.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
+1 more
Източници
- Carroll, R. J., Ruppert, D., Stefanski, L. A. & Crainiceanu, C. M. (2006). Measurement Error in Nonlinear Models: A Modern Perspective (2nd ed.). Chapman & Hall/CRC. ISBN: 978-1584886334
- Richardson, S. & Gilks, W. R. (1993). A Bayesian approach to measurement error problems in epidemiology using conditional independence models. American Journal of Epidemiology, 138(6), 430-442. link ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Markov Chain Monte Carlo with Measurement Error Models. ScholarGate. https://scholargate.app/bg/bayesian/mcmc-with-measurement-error
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Байесов анализ при грешка в измерванетоБейсови методи↔ compare
- Байесов регресионен моделБейсови методи↔ compare
- Гиббсов семплерБейсови методи↔ compare
- Йерархично Бейсианско заключениеБейсови методи↔ compare
- Марковски Монте Карло вериги (MCMC)Бейсови методи↔ compare
- Метрополис-Хастингс при грешка в измерванетоБейсови методи↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →