Metropolis-Hastings z błędem pomiarowym
Metropolis-Hastings z błędem pomiarowym to bayesowskie podejście MCMC, które wspólnie estymuje parametry modelu i prawdziwe (nieobserwowane) wartości zmiennych objaśniających, gdy predyktory lub zmienne objaśniane są rejestrowane z szumem. Traktując utajone prawdziwe wartości jako nieznane parametry, propaguje niepewność pomiarową w pełni do wnioskowania a posteriori, zamiast ją ignorować lub korygować post hoc.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Mapa metod
Sąsiedztwo pokrewnych metod — wybierz węzeł, aby je zgłębić.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Metropolis-Hastings Algorithm for Bayesian Errors-in-Variables Models. ScholarGate. https://scholargate.app/pl/bayesian/metropolis-hastings-with-measurement-error
Która metoda?
Zestaw tę metodę z najbliższymi jej krewnymi i czytaj je obok siebie — biblioteka kładzie księgi na stole; wybór należy do Ciebie.
- Bayesowska wnioskowanie z błędem pomiaruStatystyka bayesowska↔ porównaj
- Próbkowanie Gibbsa z błędem pomiarowymStatystyka bayesowska↔ porównaj
- Hamiltonian Monte Carlo z błędem pomiaruStatystyka bayesowska↔ porównaj
- MCMC z błędem pomiaruStatystyka bayesowska↔ porównaj
Cytowana przez
Similar methods
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →