Metropolis-Hastings s chybou měření
Metropolis-Hastings s chybou měření je bayesovský přístup MCMC (Markov Chain Monte Carlo), který současně odhaduje parametry modelu a skutečné (nezjištěné) hodnoty kovariátů, když jsou prediktory nebo výsledky zaznamenány s šumem. Tím, že se latentní skutečné hodnoty považují za neznámé parametry, šíří se nejistota měření plně do posteriorní inference, místo aby byla ignorována nebo korigována dodatečně.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Mapa metod
Okolí příbuzných metod — vyberte uzel, který chcete prozkoumat.
Zdroje
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Metropolis-Hastings Algorithm for Bayesian Errors-in-Variables Models. ScholarGate. https://scholargate.app/cs/bayesian/metropolis-hastings-with-measurement-error
Která metoda?
Postavte tuto metodu vedle jejích nejbližších příbuzných a čtěte je vedle sebe — knihovna položí knihy na stůl; volba je na vás.
- Bayesovská inference s chybou měřeníBayesovská statistika↔ porovnat
- Gibbs Sampling s chybou měřeníBayesovská statistika↔ porovnat
- Hamiltonovské Monte Carlo s chybou měřeníBayesovská statistika↔ porovnat
- MCMC s chybou měřeníBayesovská statistika↔ porovnat
Odkazuje sem
Similar methods
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →