متروپولیس-هاستینگز با خطای اندازهگیری
متروپولیس-هاستینگز با خطای اندازهگیری یک رویکرد بیزی MCMC است که به طور مشترک پارامترهای مدل و مقادیر واقعی (مشاهدهنشده) متغیرهای کمکی را زمانی که پیشبینیکنندهها یا پیامدها با نویز ثبت میشوند، تخمین میزند. با در نظر گرفتن مقادیر واقعی پنهان به عنوان پارامترهای ناشناخته، این روش عدم قطعیت اندازهگیری را به طور کامل در استنباط پسین منتشر میکند، به جای اینکه آن را نادیده بگیرد یا پس از آن اصلاح کند.
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
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Metropolis-Hastings Algorithm for Bayesian Errors-in-Variables Models. ScholarGate. https://scholargate.app/fa/bayesian/metropolis-hastings-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
- همیلتونین مونت کارلو با خطای اندازهگیریبیزی↔ مقایسه
- MCMC با خطای اندازهگیریبیزی↔ مقایسه
ارجاعشده در
Similar methods
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →