MCMC mittausvirheellä
MCMC mittausvirheellä soveltaa Markovin ketjun Monte Carlo -otantaa Bayesiläisiin malleihin, jotka ottavat nimenomaisesti huomioon sen tosiasian, että selittävät muuttujat tai lopputulokset havaitaan virheellisesti. Käsittelemällä todellisia, havaitsemattomia arvoja piilevinä muuttujina ja ottamalla niiden yhteisen jälkijakauman otoksen kaikkien muiden parametrien rinnalla, menetelmä korjaa vaimennusvinoumaa ja tuottaa pätevän päättelyn, vaikka joitakin muuttujia ei voitaisi mitata tarkasti.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
+1 more
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Markov Chain Monte Carlo with Measurement Error Models. ScholarGate. https://scholargate.app/fi/bayesian/mcmc-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 päättely mittausvirheelläBayesilainen tilastotiede↔ compare
- Bayesilainen regressioBayesilainen tilastotiede↔ compare
- Gibbs-otantaBayesilainen tilastotiede↔ compare
- Hierarkkinen Bayesiläinen päättelyBayesilainen tilastotiede↔ compare
- Markov-ketju-Monte Carlo (MCMC)Bayesilainen tilastotiede↔ compare
- Metropolis-Hastings mittausvirheelläBayesilainen tilastotiede↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →