Hamiltonian Monte Carlo with Measurement Error
Hamiltonian Monte Carlo (HMC) with measurement error is a Bayesian computational strategy for fitting models where one or more covariates are observed with noise. HMC samples jointly from the posterior over model parameters and the unobserved true covariate values, using gradient-based proposals that explore the high-dimensional posterior efficiently and avoid the slow random-walk behaviour of standard Metropolis sampling.
Bronrecord
Citaten letterlijk overgenomen uit het bronrecord van de methode. Hieruit wordt geen verificatie op claimniveau afgeleid.
- 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. · URL
Gecureerde claims
Claims opgeslagen in het bewijsregister, elk met zijn eigen beoordeling.
Deze weergave verzint geen claimbeoordeling als het register er geen heeft.
Gerelateerde methoden
Gegenereerd uit de methodegraaf en getoond als machinaal voorgestelde relaties — er wordt geen bewijsclaim afgeleid.