Metropolis-Hastings mit Messfehlern
Metropolis-Hastings mit Messfehlern ist ein Bayes'scher MCMC-Ansatz, der Modellparameter und die wahren (unbeobachteten) Kovariatenwerte gemeinsam schätzt, wenn Prädiktoren oder Ergebnisse mit Rauschen aufgezeichnet werden. Indem die latenten wahren Werte als unbekannte Parameter behandelt werden, werden Messunsicherheiten vollständig in die Posterior-Inferenz propagiert, anstatt sie zu ignorieren oder nachträglich zu korrigieren.
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
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Metropolis-Hastings Algorithm for Bayesian Errors-in-Variables Models. ScholarGate. https://scholargate.app/de/bayesian/metropolis-hastings-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.
- Bayesianische Inferenz bei MessfehlernBayes-Statistik↔ vergleichen
- Gibbs-Sampling mit MessfehlernBayes-Statistik↔ vergleichen
- Hamiltonian Monte Carlo mit MessfehlernBayes-Statistik↔ vergleichen
- MCMC mit MessfehlernBayes-Statistik↔ vergleichen
Referenziert von
Similar methods
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →