Robuuste Markovketting Monte Carlo
Robuuste MCMC combineert Markovketting Monte Carlo-sampling met robuustheidstechnieken om betrouwbare posterieure gevolgtrekkingen te produceren wanneer data uitschieters bevatten, wanneer het aangenomen model verkeerd is gespecificeerd, of wanneer de doelverdeling zware staarten heeft die standaard samplers slecht laten mengen of vervormde schattingen opleveren.
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
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Robust Markov Chain Monte Carlo Sampling. ScholarGate. https://scholargate.app/nl/bayesian/robust-markov-chain-monte-carlo
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.
- Gibbs SamplingBayesiaanse statistiek↔ vergelijken
- Hamiltonian Monte CarloBayesiaanse statistiek↔ vergelijken
- Markov Chain Monte Carlo (MCMC)Bayesiaanse statistiek↔ vergelijken
- Robuuste Bayesiaanse InferentieBayesiaanse statistiek↔ vergelijken
- Sequentiële Monte CarloBayesiaanse statistiek↔ vergelijken
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →