Robusta Markova ķēžu Montekarlo metode
Robust MCMC apvieno Markova ķēžu Montekarlo (MCMC) izlasi ar robustuma paņēmieniem, lai nodrošinātu ticamu posterioro secinājumu izdarīšanu, ja dati satur ārkārtējas vērtības (outliers), ja pieņemtā modelis ir nepareizi specifikēts, vai ja mērķa sadalījumam ir smagas astes, kas liek standarta izlases metodēm slikti sajaukties vai dot kropļotus novērtējumus.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Metožu karte
Saistīto metožu apkaime — atlasiet mezglu, lai izpētītu.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Robust Markov Chain Monte Carlo Sampling. ScholarGate. https://scholargate.app/lv/bayesian/robust-markov-chain-monte-carlo
Kura metode?
Novietojiet šo metodi blakus tās tuvākajām radniecīgajām metodēm un lasiet tās līdzās — bibliotēka noliek grāmatas uz galda; izvēle ir jūsu.
- Gibbs SamplingBajesa metodes↔ salīdzināt
- Hamiltona MontekarloBajesa metodes↔ salīdzināt
- Mārkova ķēžu Montekarlo (MCMC)Bajesa metodes↔ salīdzināt
- Robustā Bēsa secināšanaBajesa metodes↔ salīdzināt
- Sekvenciālā Monte Karlo metodeBajesa metodes↔ salīdzināt
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →