Метрополис-Гастингс с ошибкой измерения
Метод Метрополиса-Гастингса с ошибкой измерения представляет собой байесовский подход марковских цепей Монте-Карло (MCMC), который совместно оценивает параметры модели и истинные (ненаблюдаемые) значения ковариат, когда предикторы или исходы регистрируются с шумом. Рассматривая скрытые истинные значения как неизвестные параметры, этот метод полностью учитывает неопределенность измерения при апостериорном выводе, вместо того чтобы игнорировать ее или корректировать постфактум.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Карта метода
Окружение родственных методов — выберите узел, чтобы перейти к нему.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Metropolis-Hastings Algorithm for Bayesian Errors-in-Variables Models. ScholarGate. https://scholargate.app/ru/bayesian/metropolis-hastings-with-measurement-error
Какой метод?
Поставьте этот метод рядом с ближайшими родственными и прочитайте их бок о бок — библиотека выкладывает книги на стол, а выбор за вами.
- Байесовский вывод с учетом ошибки измеренияБайесовские методы↔ сравнить
- Байесовский метод Гиббса с учетом ошибки измеренияБайесовские методы↔ сравнить
- Гамильтонов Монте-Карло с ошибкой измеренияБайесовские методы↔ сравнить
- MCMC с ошибкой измеренияБайесовские методы↔ сравнить
Упоминается в
Similar methods
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →