Calcul bayésien approximatif avec erreur de mesure
Le Calcul bayésien approximatif avec erreur de mesure (ABC-ME) étend le cadre standard sans vraisemblance (likelihood-free) de l'ABC aux situations où les données observées sont elles-mêmes bruitées ou enregistrées de manière imprécise. En incorporant explicitement un noyau d'erreur de mesure dans l'étape d'acceptation, l'ABC-ME cible la distribution postérieure correcte sur les paramètres du modèle, même lorsque le véritable processus générant les données ne peut être directement observé.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- Wilkinson, R. D. (2013). Approximate Bayesian computation (ABC) gives exact results under the assumption of model error. Statistical Applications in Genetics and Molecular Biology, 12(2), 129-141. DOI: 10.1515/sagmb-2013-0010 ↗
- Beaumont, M. A. (2010). Approximate Bayesian computation in evolution and ecology. Annual Review of Ecology, Evolution, and Systematics, 41, 379-406. DOI: 10.1146/annurev-ecolsys-102209-144621 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Approximate Bayesian Computation with Measurement Error. ScholarGate. https://scholargate.app/fr/bayesian/approximate-bayesian-computation-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.
- Calcul bayésien approximatifSimulation↔ compare
- Inférence bayésienne avec erreur de mesureBayésien↔ compare
- MCMC avec erreur de mesureBayésien↔ compare
- Filtre particulaire (Monte Carlo séquentiel)Bayésien↔ compare
- Monte Carlo séquentielBayésien↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →