Robuste Markov-Chain-Monte-Carlo-Verfahren
Robuste MCMC kombiniert Markov-Chain-Monte-Carlo-Sampling mit Robustheitstechniken, um zuverlässige Posterior-Inferenz zu erzielen, wenn die Daten Ausreißer enthalten, wenn das angenommene Modell falsch spezifiziert ist oder wenn die Zielverteilung schwere Ränder aufweist, die Standard-Sampler schlecht mischen lassen oder verzerrte Schätzungen liefern.
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
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Robust Markov Chain Monte Carlo Sampling. ScholarGate. https://scholargate.app/de/bayesian/robust-markov-chain-monte-carlo
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.
- Gibbs-SamplingBayes-Statistik↔ vergleichen
- Hamiltonian Monte CarloBayes-Statistik↔ vergleichen
- Markov-Kette Monte Carlo (MCMC)Bayes-Statistik↔ vergleichen
- Robuste Bayes'sche InferenzBayes-Statistik↔ vergleichen
- Sequentielle Monte-Carlo-MethodenBayes-Statistik↔ vergleichen
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →