ScholarGate
Asisten
Bayesian methodsBayesian / computational

Metropolis-Hastings dengan Kesalahan Pengukuran

Metropolis-Hastings dengan kesalahan pengukuran adalah pendekatan MCMC Bayesian yang secara bersamaan mengestimasi parameter model dan nilai kovariat sejati (yang tidak teramati) ketika prediktor atau hasil dicatat dengan derau. Dengan memperlakukan nilai sejati laten sebagai parameter yang tidak diketahui, ia menyebarkan ketidakpastian pengukuran sepenuhnya ke dalam inferensi posterior daripada mengabaikannya atau memperbaikinya secara post hoc.

Buka di MethodMindSegeraApply, compare, get guidance
Tools & resources
Unduh salindia
Learn & explore
VideoSegera

Baca metode selengkapnya

Khusus anggota

Masuk dengan akun gratis untuk membaca bagian ini.

Masuk

Peta metode

Lingkup metode terkait — pilih sebuah simpul untuk menjelajah.

Sumber

  1. 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
  2. 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

Cara menyitasi halaman ini

ScholarGate. (2026, June 3). Metropolis-Hastings Algorithm for Bayesian Errors-in-Variables Models. ScholarGate. https://scholargate.app/id/bayesian/metropolis-hastings-with-measurement-error

Metode yang mana?

Letakkan metode ini berdampingan dengan kerabat terdekatnya dan baca secara bersisian — pustaka menata bukunya di atas meja; pilihan ada di tangan Anda.

Bandingkan berdampingan

Dirujuk oleh

ScholarGateMetropolis-Hastings with measurement error (Metropolis-Hastings Algorithm for Bayesian Errors-in-Variables Models). Diakses 2026-06-17 dari https://scholargate.app/id/bayesian/metropolis-hastings-with-measurement-error · Set data: https://doi.org/10.5281/zenodo.20539026