MCMC mit Messfehlern
MCMC mit Messfehlern wendet Markov-Chain-Monte-Carlo-Sampling auf Bayes'sche Modelle an, die explizit berücksichtigen, dass Kovariaten oder Ergebnisse mit Fehlern beobachtet werden. Indem die wahren, unbeobachteten Werte als latente Variablen behandelt und ihre gemeinsame Posterior-Verteilung zusammen mit allen anderen Parametern gezogen wird, korrigiert die Methode den Attenuationsbias und liefert valide Schlussfolgerungen, selbst wenn einige Variablen nicht exakt gemessen werden können.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
+1 more
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Markov Chain Monte Carlo with Measurement Error Models. ScholarGate. https://scholargate.app/de/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.
- Bayesianische Inferenz bei MessfehlernBayes-Statistik↔ compare
- Bayes'sche RegressionBayes-Statistik↔ compare
- Gibbs-SamplingBayes-Statistik↔ compare
- Hierarchische Bayes'sche InferenzBayes-Statistik↔ compare
- Markov-Kette Monte Carlo (MCMC)Bayes-Statistik↔ compare
- Metropolis-Hastings mit MessfehlernBayes-Statistik↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →