Solidne próbkowanie metodą łańcuchów Markowa
Solidne MCMC łączy próbkowanie metodą łańcuchów Markowa z technikami solidności, aby zapewnić wiarygodne wnioskowanie o rozkładzie a posteriori, gdy dane zawierają wartości odstające, gdy założony model jest błędnie określony lub gdy rozkład docelowy ma ciężkie ogony, które powodują słabe mieszanie się standardowych próbkowników lub zniekształcone oszacowania.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Mapa metod
Sąsiedztwo pokrewnych metod — wybierz węzeł, aby je zgłębić.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Robust Markov Chain Monte Carlo Sampling. ScholarGate. https://scholargate.app/pl/bayesian/robust-markov-chain-monte-carlo
Która metoda?
Zestaw tę metodę z najbliższymi jej krewnymi i czytaj je obok siebie — biblioteka kładzie księgi na stole; wybór należy do Ciebie.
- Próbkowanie GibbsaStatystyka bayesowska↔ porównaj
- Hamiltonian Monte CarloStatystyka bayesowska↔ porównaj
- Łańcuchy Markowa i symulacje Monte Carlo (MCMC)Statystyka bayesowska↔ porównaj
- Solidne wnioskowanie bayesowskieStatystyka bayesowska↔ porównaj
- Sekwencyjne metody Monte CarloStatystyka bayesowska↔ porównaj
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →