Metropolis-Hastings mérési hibával
A mérési hibával működő Metropolis-Hastings egy Bayes-i MCMC (Markov lánc Monte Carlo) megközelítés, amely közösen becsli a modellparamétereket és az igaz (nem megfigyelt) kovariátus értékeket, amikor az előrejelzők vagy kimenetek zajjal rögzítettek. A rejtett igaz értékeket ismeretlen paraméterekként kezelve, a mérési bizonytalanságot teljes mértékben beépíti a poszterior inferenciába, ahelyett, hogy figyelmen kívül hagyná vagy utólag korrigálná.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Módszertérkép
A rokon módszerek környezete — válasszon ki egy csomópontot a felfedezéshez.
Források
- 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 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Metropolis-Hastings Algorithm for Bayesian Errors-in-Variables Models. ScholarGate. https://scholargate.app/hu/bayesian/metropolis-hastings-with-measurement-error
Melyik módszer?
Állítsa e módszert a hozzá legközelebb álló rokonai mellé, és olvassa őket egymás mellett — a könyvtár az asztalra teszi a könyveket; a választás az Öné.
- Bayesiánus következtetés mérési hibávalBayes-statisztika↔ összehasonlítás
- Gibbs-mintavételezési eljárás mérési hibávalBayes-statisztika↔ összehasonlítás
- Hamilton-féle Monte Carlo szimuláció mérési hibávalBayes-statisztika↔ összehasonlítás
- MCMC mérési hibávalBayes-statisztika↔ összehasonlítás
Hivatkozik rá
Similar methods
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →