Metropolis-Hastings met meetfout
Metropolis-Hastings met meetfout is een Bayesiaanse MCMC-benadering die modelparameters en de ware (niet-geobserveerde) covariabelewaarden gezamenlijk schat wanneer predictoren of uitkomsten met ruis worden geregistreerd. Door de latente ware waarden als onbekende parameters te behandelen, worden meetonzekerheden volledig doorgevoerd in de posterieure inferentie, in plaats van ze te negeren of achteraf te corrigeren.
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
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Metropolis-Hastings Algorithm for Bayesian Errors-in-Variables Models. ScholarGate. https://scholargate.app/nl/bayesian/metropolis-hastings-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
- Hamiltoniaanse Monte Carlo met meetfoutBayesiaanse statistiek↔ vergelijken
- MCMC met meetfoutBayesiaanse statistiek↔ vergelijken
Geciteerd door
Similar methods
Een fout op deze pagina gezien? Meld het of stel een correctie voor →