Metropolis-Hastings amb error de mesura
Metropolis-Hastings amb error de mesura és un enfocament bayesià MCMC que estima conjuntament els paràmetres del model i els valors veritables (no observats) de les covariables quan els predictors o els resultats es registren amb soroll. Tractant els valors veritables latents com a paràmetres desconeguts, propaga la incertesa de mesura completament a la inferència posterior en lloc d'ignorar-la o corregir-la a posteriori.
Llegeix el mètode complet
Inicia la sessió amb un compte gratuït per llegir aquesta secció.
Mapa de mètodes
El veïnat de mètodes relacionats — seleccioneu un node per explorar-lo.
Fonts
- Carroll, R. J., Ruppert, D., Stefanski, L. A., & Crainiceanu, C. M. (2006). Measurement Error in Nonlinear Models: A Modern Perspective (2nd ed.). Chapman and Hall/CRC. ISBN: 978-1584886334
- Richardson, S., & Green, P. J. (1997). On Bayesian analysis of mixtures with an unknown number of components. Journal of the Royal Statistical Society: Series B, 59(4), 731-792. DOI: 10.1111/1467-9868.00095 ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 3). Metropolis-Hastings Algorithm for Bayesian Errors-in-Variables Models. ScholarGate. https://scholargate.app/ca/bayesian/metropolis-hastings-with-measurement-error
Quin mètode?
Poseu aquest mètode al costat dels seus parents més pròxims i llegiu-los de costat a costat — la biblioteca disposa els llibres sobre la taula; la tria és vostra.
- Inferència Bayesiana amb Error de MesuraBayesià↔ compara
- Gibbs Sampling amb Error de MesuraBayesià↔ compara
- Monte Carlo Hamiltonià amb Error de MesuraBayesià↔ compara
- MCMC amb error de mesuraBayesià↔ compara
Citat per
Similar methods
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →