Bayesiläinen mallikeskiarvoistus mittausvirheellä
Bayesiläinen mallikeskiarvoistus mittausvirheellä (BMA-ME) yhdistää kaksi todennäköisyysajattelua: se keskiarvoistaa ennusteita kilpailevien regressiomallien yli mallien posterioritodennäköisyyksien painottamana, samalla kun se ottaa huomioon sen, että yhtä tai useampaa ennustetta havaitaan satunnaisella virheellä tarkkojen arvojen sijaan. Tuloksena on posteriorijakauma, joka välittää sekä malliepävarmuuden että kovariaattien mittauskohinan jokaiseen päättelyyn ja ennusteeseen.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- Hoeting, J. A., Madigan, D., Raftery, A. E., & Volinsky, C. T. (1999). Bayesian model averaging: A tutorial. Statistical Science, 14(4), 382-417. link ↗
- Carroll, R. J., Ruppert, D., Stefanski, L. A., & Crainiceanu, C. M. (2006). Measurement Error in Nonlinear Models: A Modern Perspective (2nd ed.). CRC Press. ISBN: 978-1584886334
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Bayesian Model Averaging with Measurement Error Correction. ScholarGate. https://scholargate.app/fi/bayesian/bayesian-model-averaging-with-measurement-error
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Bayesiläinen mallikeskiarvoistusBayesilainen tilastotiede↔ compare
- Bayesilainen regressioBayesilainen tilastotiede↔ compare
- Markov-ketju-Monte Carlo (MCMC)Bayesilainen tilastotiede↔ compare
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →