MCMC mérési hibával
A mérési hibával végzett MCMC (Markov chain Monte Carlo) a Markov-lánc Monte Carlo mintavételezést alkalmazza olyan Bayes-i modellekben, amelyek explicit módon figyelembe veszik, hogy a kovariánsok vagy kimenetelek hibával figyelhetők meg. A valódi, megfigyeletlen értékeket latens változókként kezelve és ezek közös utóeloszlását mintázva az összes többi paraméter mellett, a módszer korrigál az elnyelési torzítás ellen, és érvényes következtetéseket tesz lehetővé még akkor is, ha egyes változókat nem lehet pontosan mérni.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
+1 more
Források
- 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 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Markov Chain Monte Carlo with Measurement Error Models. ScholarGate. https://scholargate.app/hu/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.
- Bayesiánus következtetés mérési hibávalBayes-statisztika↔ compare
- Bayes-féle RegresszióBayes-statisztika↔ compare
- Gibbs-mintavételBayes-statisztika↔ compare
- Hierarchikus Bayes-féle következtetésBayes-statisztika↔ compare
- Markov-lánc Monte Carlo (MCMC)Bayes-statisztika↔ compare
- Metropolis-Hastings mérési hibávalBayes-statisztika↔ compare
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →