Hamiltonian Monte Carlo med mätfel
Hamiltonian Monte Carlo (HMC) med mätfel är en Bayesiansk beräkningsstrategi för att anpassa modeller där en eller flera kovariater observeras med brus. HMC samplar gemensamt från posteriorfördelningen över modellparametrar och de oobserverade sanna kovariatsvärdena, med hjälp av gradientbaserade förslag som effektivt utforskar den högdimensionella posteriorfördelningen och undviker det långsamma slumpvandringsbeteendet hos standard Metropolis-sampling.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Metodkarta
Närområdet av besläktade metoder — välj en nod för att utforska.
Källor
- 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. link ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Hamiltonian Monte Carlo for Bayesian Measurement Error Models. ScholarGate. https://scholargate.app/sv/bayesian/hamiltonian-monte-carlo-with-measurement-error
Vilken metod?
Placera den här metoden bredvid sina närmaste släktingar och läs dem sida vid sida — biblioteket lägger fram böckerna på bordet; valet är ditt.
- Bayesiansk inferens med mätfelBayesiansk statistik↔ jämför
- Gibbs sampling med mätfelBayesiansk statistik↔ jämför
- Hamiltonian Monte CarloBayesiansk statistik↔ jämför
- Kalmanfilter med mätfelBayesiansk statistik↔ jämför
- MCMC med mätfelBayesiansk statistik↔ jämför
- Variational inferens med mätfelBayesiansk statistik↔ jämför
Refereras av
Similar methods
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →