Robuszt Markov-lánc Monte Carlo
A robuszt MCMC a Markov-lánc Monte Carlo mintavételezést robusztus technikákkal kombinálja, hogy megbízható poszterior inferenciát végezzen, ha az adatok kiugró értékeket tartalmaznak, ha az feltételezett modell helytelenül specifikált, vagy ha a céleloszlásnak vastag farkai vannak, amelyek miatt a standard mintavételezők lassan keverednek, vagy torz becsléseket adnak.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Módszertérkép
A rokon módszerek környezete — válasszon ki egy csomópontot a felfedezéshez.
Források
- Roberts, G. O. & Rosenthal, J. S. (2004). General state space Markov chains and MCMC algorithms. Probability Surveys, 1, 20–71. DOI: 10.1214/154957804100000024 ↗
- Barp, A., Kennedy, C., Durmus, A. & Girolami, M. (2022). Targeted separation and convergence with kernel discrepancies. arXiv preprint. link ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Robust Markov Chain Monte Carlo Sampling. ScholarGate. https://scholargate.app/hu/bayesian/robust-markov-chain-monte-carlo
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.
- Gibbs-mintavételBayes-statisztika↔ összehasonlítás
- Hamiltonian Monte CarloBayes-statisztika↔ összehasonlítás
- Markov-lánc Monte Carlo (MCMC)Bayes-statisztika↔ összehasonlítás
- Robusztus Bayes-i következtetésBayes-statisztika↔ összehasonlítás
- Szekvenciális Monte CarloBayes-statisztika↔ összehasonlítás
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →