Metropolis-Hastings algoritms ar mērījumu kļūdu
Metropolis-Hastings algoritms ar mērījumu kļūdu ir Bajesiešu MCMC pieeja, kas kopīgi novērtē modeļa parametrus un patiesās (neievērotās) kovariātu vērtības, ja prediktoru vai iznākumu reģistrēšana notiek ar troksni. Uztverot latentās patiesās vērtības kā nezināmus parametrus, tas pilnībā izplata mērījumu nenoteiktību pēctecīgā secinājumā, nevis ignorē to vai koriģē to post hoc.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Metožu karte
Saistīto metožu apkaime — atlasiet mezglu, lai izpētītu.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Metropolis-Hastings Algorithm for Bayesian Errors-in-Variables Models. ScholarGate. https://scholargate.app/lv/bayesian/metropolis-hastings-with-measurement-error
Kura metode?
Novietojiet šo metodi blakus tās tuvākajām radniecīgajām metodēm un lasiet tās līdzās — bibliotēka noliek grāmatas uz galda; izvēle ir jūsu.
- Bajesiešu secinājumi ar mērījumu kļūduBajesa metodes↔ salīdzināt
- Gibbsa atlase ar mērījumu kļūduBajesa metodes↔ salīdzināt
- Hamiltonian Monte Carlo ar kļūdu mērījumosBajesa metodes↔ salīdzināt
- MCMC ar mērījumu kļūduBajesa metodes↔ salīdzināt
Uz to atsaucas
Similar methods
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →