همیلتونین مونت کارلو با خطای اندازهگیری
همیلتونین مونت کارلو (HMC) با خطای اندازهگیری یک استراتژی محاسباتی بیزی برای برازش مدلهایی است که در آنها یک یا چند هممتغیر (covariate) با نویز مشاهده میشوند. HMC به طور مشترک از توزیع پسین (posterior) بر روی پارامترهای مدل و مقادیر واقعی مشاهدهنشده هممتغیر نمونهبرداری میکند و از پیشنهادهای مبتنی بر گرادیان استفاده میکند که فضای پسین با ابعاد بالا را به طور کارآمد کاوش کرده و از رفتار واکرو (random-walk) کند نمونهبرداری متروپلیس استاندارد اجتناب میکنند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
نقشهٔ روش
همسایگی روشهای مرتبط — برای کاوش، یک گره را برگزینید.
منابع
- 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
- Neal, R. M. (2011). MCMC using Hamiltonian dynamics. In S. Brooks, A. Gelman, G. Jones, & X.-L. Meng (Eds.), Handbook of Markov Chain Monte Carlo (pp. 113-162). CRC Press. link ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Hamiltonian Monte Carlo for Bayesian Measurement Error Models. ScholarGate. https://scholargate.app/fa/bayesian/hamiltonian-monte-carlo-with-measurement-error
کدام روش؟
این روش را در کنار نزدیکترین روشهای خویشاوندش بگذارید و آنها را کنار هم بخوانید — کتابخانه کتابها را روی میز میگشاید؛ انتخاب با شماست.
- استنتاج بیزی با خطای اندازهگیریبیزی↔ مقایسه
- نمونهگیری گیبس با خطای اندازهگیریبیزی↔ مقایسه
- هامیلتونی مونت کارلوبیزی↔ مقایسه
- فیلتر کالمن با خطای اندازهگیریبیزی↔ مقایسه
- MCMC با خطای اندازهگیریبیزی↔ مقایسه
- استنتاج تغییری با خطای اندازهگیریبیزی↔ مقایسه
ارجاعشده در
Similar methods
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →