Metropolis-Hastings con errore di misurazione
Metropolis-Hastings con errore di misurazione è un approccio Bayesiano MCMC che stima congiuntamente i parametri del modello e i veri valori delle covariate (non osservati) quando i predittori o gli esiti sono registrati con rumore. Trattando i valori veri latenti come parametri sconosciuti, propaga l'incertezza di misurazione completamente nell'inferenza posteriore anziché ignorarla o correggerla a posteriori.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Mappa dei metodi
Il vicinato dei metodi correlati — seleziona un nodo per esplorare.
Fonti
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Metropolis-Hastings Algorithm for Bayesian Errors-in-Variables Models. ScholarGate. https://scholargate.app/it/bayesian/metropolis-hastings-with-measurement-error
Quale metodo?
Affianca questo metodo ai suoi parenti più prossimi e leggili fianco a fianco — la biblioteca dispone i libri sul tavolo; la scelta è tua.
- Inferenza Bayesiana con Errore di MisuraBayesiano↔ confronta
- Gibbs Sampling con errore di misurazioneBayesiano↔ confronta
- Hamiltonian Monte Carlo con errore di misurazioneBayesiano↔ confronta
- MCMC con errore di misurazioneBayesiano↔ confronta
Citato da
Similar methods
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →