Perhitungan Bayesian Aproksimatif dengan Kesalahan Pengukuran
Perhitungan Bayesian Aproksimatif dengan kesalahan pengukuran (ABC-ME) memperluas kerangka kerja standar ABC tanpa kemungkinan (likelihood-free) ke pengaturan di mana data yang diamati itu sendiri berisik atau dicatat secara tidak tepat. Dengan secara eksplisit memasukkan kernel kesalahan pengukuran ke dalam langkah penerimaan, ABC-ME menargetkan posterior yang benar atas parameter model bahkan ketika proses pembangkitan data yang sebenarnya tidak dapat diamati secara langsung.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- Wilkinson, R. D. (2013). Approximate Bayesian computation (ABC) gives exact results under the assumption of model error. Statistical Applications in Genetics and Molecular Biology, 12(2), 129-141. DOI: 10.1515/sagmb-2013-0010 ↗
- Beaumont, M. A. (2010). Approximate Bayesian computation in evolution and ecology. Annual Review of Ecology, Evolution, and Systematics, 41, 379-406. DOI: 10.1146/annurev-ecolsys-102209-144621 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Approximate Bayesian Computation with Measurement Error. ScholarGate. https://scholargate.app/id/bayesian/approximate-bayesian-computation-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.
- Perhitungan Bayesian AproksimatifSimulasi↔ compare
- Inferensi Bayesian dengan Kesalahan PengukuranBayesian↔ compare
- MCMC dengan Kesalahan PengukuranBayesian↔ compare
- Filter Partikel (Monte Carlo Sekuensial)Bayesian↔ compare
- Monte Carlo SekuensialBayesian↔ compare
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →