MCMC s pogreškom mjerenja
MCMC s pogreškom mjerenja primjenjuje Markovljevo lančano Monte Carlo uzorkovanje na Bayesove modele koji eksplicitno uzimaju u obzir činjenicu da su kovarijate ili ishodi promatrani s pogreškom. Tretirajući prave, neopažene vrijednosti kao latentne varijable i uzorkujući njihovu zajedničku posteriornu raspodjelu zajedno sa svim ostalim parametrima, metoda ispravlja pristranost slabljenja i proizvodi valjanu inferenciju čak i kada se neke varijable ne mogu točno izmjeriti.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
+1 more
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Markov Chain Monte Carlo with Measurement Error Models. ScholarGate. https://scholargate.app/hr/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.
- Bayesovo zaključivanje s pogreškom mjerenjaBayesovska statistika↔ compare
- Bayesovska regresijaBayesovska statistika↔ compare
- Gibbs uzorkovanjeBayesovska statistika↔ compare
- Hijerarhijsko Bayesovo zaključivanjeBayesovska statistika↔ compare
- Markovova lančana Monte Carlo (MCMC)Bayesovska statistika↔ compare
- Metropolis-Hastings s pogreškom mjerenjaBayesovska statistika↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →