Markov Chain Monte Carlo Robusto
Il MCMC robusto combina il campionamento Markov Chain Monte Carlo con tecniche di robustezza per produrre inferenze posteriori affidabili quando i dati contengono valori anomali, quando il modello assunto è mal specificato, o quando la distribuzione target ha code pesanti che causano un mescolamento scadente dei campionatori standard o producono stime distorte.
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
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Robust Markov Chain Monte Carlo Sampling. ScholarGate. https://scholargate.app/it/bayesian/robust-markov-chain-monte-carlo
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.
- Gibbs SamplingBayesiano↔ confronta
- Hamiltonian Monte CarloBayesiano↔ confronta
- Catena di Markov Monte Carlo (MCMC)Bayesiano↔ confronta
- Inferenza Bayesiana RobustaBayesiano↔ confronta
- Monte Carlo SequenzialeBayesiano↔ confronta
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →