Approximate Bayesian Computation mit Messfehlern
Approximate Bayesian Computation mit Messfehlern (ABC-ME) erweitert den Standard-ABC-Rahmen (likelihood-free) auf Situationen, in denen beobachtete Daten selbst verrauscht oder ungenau erfasst sind. Durch die explizite Einbeziehung eines Messfehlers-Kerns in die Akzeptanzschritt zielt ABC-ME auf die korrekte Posterior-Verteilung über Modellparameter ab, selbst wenn der tatsächliche datengenerierende Prozess nicht direkt beobachtet werden kann.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Methodenkarte
Die Nachbarschaft verwandter Methoden — wählen Sie einen Knoten, um sie zu erkunden.
Quellen
- Wilkinson, R. D. (2013). Approximate Bayesian computation (ABC) gives exact results under the assumption of model error. Statistical Applications in Genetics and Molecular Biology, 12(2), 129-141. DOI: 10.1515/sagmb-2013-0010 ↗
- Beaumont, M. A. (2010). Approximate Bayesian computation in evolution and ecology. Annual Review of Ecology, Evolution, and Systematics, 41, 379-406. DOI: 10.1146/annurev-ecolsys-102209-144621 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Approximate Bayesian Computation with Measurement Error. ScholarGate. https://scholargate.app/de/bayesian/approximate-bayesian-computation-with-measurement-error
Welche Methode?
Stellen Sie diese Methode neben ihre nächsten Verwandten und lesen Sie sie nebeneinander — die Bibliothek legt die Bücher auf den Tisch; die Wahl liegt bei Ihnen.
- Approximate Bayesian ComputationSimulation↔ vergleichen
- Bayesianische Inferenz bei MessfehlernBayes-Statistik↔ vergleichen
- MCMC mit MessfehlernBayes-Statistik↔ vergleichen
- Partikelfilter (Sequentieller Monte-Carlo-Algorithmus)Bayes-Statistik↔ vergleichen
- Sequentielle Monte-Carlo-MethodenBayes-Statistik↔ vergleichen
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →