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.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Peta metode
Lingkup metode terkait — pilih sebuah simpul untuk menjelajah.
Sumber
- 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 ↗
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.
- Inferensi Bayesian dengan Kesalahan PengukuranBayesian↔ bandingkan
- Sampling Gibbs dengan Kesalahan PengukuranBayesian↔ bandingkan
- Metode Monte Carlo Hamiltonian dengan Galat PengukuranBayesian↔ bandingkan
- MCMC dengan Kesalahan PengukuranBayesian↔ bandingkan
Dirujuk oleh
Similar methods
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →