Metropolis-Hastings avec erreur de mesure
Metropolis-Hastings avec erreur de mesure est une approche bayésienne MCMC qui estime conjointement les paramètres du modèle et les valeurs vraies (non observées) des covariables lorsque les prédicteurs ou les résultats sont enregistrés avec du bruit. En traitant les valeurs vraies latentes comme des paramètres inconnus, elle propage l'incertitude de mesure entièrement dans l'inférence a posteriori plutôt que de l'ignorer ou de la corriger a posteriori.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Carte des méthodes
Le voisinage des méthodes apparentées — sélectionnez un nœud pour explorer.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Metropolis-Hastings Algorithm for Bayesian Errors-in-Variables Models. ScholarGate. https://scholargate.app/fr/bayesian/metropolis-hastings-with-measurement-error
Quelle méthode ?
Placez cette méthode aux côtés de ses plus proches parentes et lisez-les côte à côte — la bibliothèque pose les ouvrages sur la table ; le choix vous revient.
- Inférence bayésienne avec erreur de mesureBayésien↔ comparer
- Échantillonnage de Gibbs avec erreur de mesureBayésien↔ comparer
- Monte Carlo hamiltonien avec erreur de mesureBayésien↔ comparer
- MCMC avec erreur de mesureBayésien↔ comparer
Référencée par
Similar methods
Une erreur sur cette page ? Signalez-la ou proposez une correction →