MCMC با خطای اندازهگیری
MCMC با خطای اندازهگیری، نمونهگیری زنجیره مارکوف مونت کارلو را برای مدلهای بیزی به کار میگیرد که به صراحت این واقعیت را در نظر میگیرند که متغیرهای کمکی یا پیامدها با خطا مشاهده میشوند. با در نظر گرفتن مقادیر واقعی و مشاهدهنشده به عنوان متغیرهای پنهان و نمونهگیری از توزیع پسین مشترک آنها در کنار سایر پارامترها، این روش سوگیری تضعیف را تصحیح کرده و حتی زمانی که برخی متغیرها به طور دقیق قابل اندازهگیری نیستند، استنتاج معتبری ارائه میدهد.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
نقشهٔ روش
همسایگی روشهای مرتبط — برای کاوش، یک گره را برگزینید.
+1 مورد دیگر
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Markov Chain Monte Carlo with Measurement Error Models. ScholarGate. https://scholargate.app/fa/bayesian/mcmc-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
- رگرسیون بیزیبیزی↔ مقایسه
- نمونهگیری گیبسبیزی↔ مقایسه
- استنتاج بیزی سلسلهمراتبیبیزی↔ مقایسه
- زنجیره مارکوف مونت کارلو (MCMC)بیزی↔ مقایسه
- متروپولیس-هاستینگز با خطای اندازهگیریبیزی↔ مقایسه
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →