Robust Markovkæde Monte Carlo
Robust MCMC kombinerer Markovkæde Monte Carlo-sampling med robusthedsteknikker for at producere pålidelig posterior inferens, når data indeholder outliers, når den antagne model er specificeret forkert, eller når målfordelingen har tunge haler, der får standard-samplere til at blande dårligt eller give forvrængede estimater.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Metodekort
Nabolaget af beslægtede metoder — vælg en knude for at udforske.
Kilder
- Roberts, G. O. & Rosenthal, J. S. (2004). General state space Markov chains and MCMC algorithms. Probability Surveys, 1, 20–71. DOI: 10.1214/154957804100000024 ↗
- Barp, A., Kennedy, C., Durmus, A. & Girolami, M. (2022). Targeted separation and convergence with kernel discrepancies. arXiv preprint. link ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Robust Markov Chain Monte Carlo Sampling. ScholarGate. https://scholargate.app/da/bayesian/robust-markov-chain-monte-carlo
Hvilken metode?
Stil denne metode ved siden af dens nærmeste slægtninge, og læs dem side om side — biblioteket lægger bøgerne på bordet; valget er dit.
- Gibbs SamplingBayesiansk↔ sammenlign
- Hamiltonian Monte CarloBayesiansk↔ sammenlign
- Markov Chain Monte Carlo (MCMC)Bayesiansk↔ sammenlign
- Robust Bayesiansk InferensBayesiansk↔ sammenlign
- Sekventiel Monte CarloBayesiansk↔ sammenlign
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →