Metropolis-Hastings dengan Ralat Pengukuran
Metropolis-Hastings dengan ralat pengukuran ialah pendekatan MCMC Bayesian yang secara bersama menganggarkan parameter model dan nilai kovariat benar (tidak tercerap) apabila peramal atau hasil direkodkan dengan hingar. Dengan menganggap nilai benar laten sebagai parameter tidak diketahui, ia menyebarkan ketidakpastian pengukuran sepenuhnya ke dalam inferens posterior dan bukannya mengabaikannya atau membetulkannya secara post hoc.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Peta kaedah
Kejiranan kaedah berkaitan — pilih satu nod untuk meneroka.
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 memetik halaman ini
ScholarGate. (2026, June 3). Metropolis-Hastings Algorithm for Bayesian Errors-in-Variables Models. ScholarGate. https://scholargate.app/ms/bayesian/metropolis-hastings-with-measurement-error
Kaedah yang mana?
Letakkan kaedah ini di sebelah kaedah yang paling rapat dengannya dan baca secara bersebelahan — perpustakaan menyusun buku di atas meja; pilihan terletak pada anda.
- Inferens Bayesian dengan Ralat PengukuranBayesian↔ banding
- Sampel Gibbs dengan Ralat PengukuranBayesian↔ banding
- Hamiltonian Monte Carlo dengan Ralat PengukuranBayesian↔ banding
- MCMC dengan Ralat PengukuranBayesian↔ banding
Dirujuk oleh
Similar methods
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →