Hamiltoniaanse Monte Carlo met meetfout
Hamiltoniaanse Monte Carlo (HMC) met meetfout is een Bayesiaanse computationele strategie voor het fitten van modellen waarbij één of meer covariaten met ruis worden waargenomen. HMC samplet gezamenlijk uit de posterior over modelparameters en de niet-waargenomen ware covariaatwaarden, gebruikmakend van gradiënt-gebaseerde voorstellen die de hoog-dimensionale posterior efficiënt verkennen en het trage random-walk gedrag van standaard Metropolis-sampling vermijden.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Methodenkaart
De omgeving van verwante methoden — selecteer een knooppunt om te verkennen.
Bronnen
- 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
- Neal, R. M. (2011). MCMC using Hamiltonian dynamics. In S. Brooks, A. Gelman, G. Jones, & X.-L. Meng (Eds.), Handbook of Markov Chain Monte Carlo (pp. 113-162). CRC Press. link ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Hamiltonian Monte Carlo for Bayesian Measurement Error Models. ScholarGate. https://scholargate.app/nl/bayesian/hamiltonian-monte-carlo-with-measurement-error
Welke methode?
Plaats deze methode naast haar naaste verwanten en lees ze naast elkaar — de bibliotheek legt de boeken op tafel; de keuze is aan u.
- Bayesiaanse Inferentie met MeetfoutBayesiaanse statistiek↔ vergelijken
- Gibbs-sampling met meetfoutBayesiaanse statistiek↔ vergelijken
- Hamiltonian Monte CarloBayesiaanse statistiek↔ vergelijken
- Kalmanfilter met meetfoutBayesiaanse statistiek↔ vergelijken
- MCMC met meetfoutBayesiaanse statistiek↔ vergelijken
- Variatie-inferentie met meetfoutBayesiaanse statistiek↔ vergelijken
Geciteerd door
Similar methods
Een fout op deze pagina gezien? Meld het of stel een correctie voor →