Solidarna Aproksymacyjna Metoda Bayesa
Solidarna ABC rozszerza standardową Aproksymacyjną Metodę Bayesa (ABC) w celu obsługi wartości odstających, błędnej specyfikacji modelu i wrażliwości na wybór statystyk podsumowujących. Zastępując konwencjonalne miary odległości alternatywami odpornymi — takimi jak składowe funkcje oceny, przycięte statystyki lub syntetyczne wiarygodności — chroni wnioskowanie a posteriori przed zniekształceniem przez nietypowe obserwacje lub niedoskonały symulator.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- Ruli, E., Sartori, N. & Ventura, L. (2016). Approximate Bayesian computation with composite score functions. Statistics and Computing, 26(3), 679–692. DOI: 10.1007/s11222-015-9551-z ↗
- Frazier, D. T., Drovandi, C. & Nott, D. J. (2020). Robust Approximate Bayesian Inference with Synthetic Likelihood. Journal of Computational and Graphical Statistics, 30(4), 958–976. DOI: 10.1080/10618600.2021.1875839 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Robust Approximate Bayesian Computation. ScholarGate. https://scholargate.app/pl/bayesian/robust-approximate-bayesian-computation
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Przybliżone Obliczenia BayesaSymulacja↔ compare
- Bayesowska wnioskowanie z błędem pomiaruStatystyka bayesowska↔ compare
- Filtr cząsteczkowy (Sekwencyjny Monte Carlo)Statystyka bayesowska↔ compare
- Solidne wnioskowanie bayesowskieStatystyka bayesowska↔ compare
- Solidna wnioskowanie wariacyjneStatystyka bayesowska↔ compare
- Sekwencyjne metody Monte CarloStatystyka bayesowska↔ compare
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →