Robust Markov Chain Monte Carlo
Robust MCMC kombinerar Markov chain Monte Carlo-sampling med robusthetstekniker för att producera tillförlitlig posterior inferens när data innehåller extremvärden, när den antagna modellen är fel specificerad, eller när målfördelningen har tjocka svansar som gör att standard-samplers blandar dåligt eller ger förvrängda estimat.
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
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Robust Markov Chain Monte Carlo Sampling. ScholarGate. https://scholargate.app/sv/bayesian/robust-markov-chain-monte-carlo
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.
- Gibbs samplingBayesiansk statistik↔ jämför
- Hamiltonian Monte CarloBayesiansk statistik↔ jämför
- Markov Chain Monte Carlo (MCMC)Bayesiansk statistik↔ jämför
- Robust Bayesiansk InferensBayesiansk statistik↔ jämför
- Sekventiell Monte CarloBayesiansk statistik↔ jämför
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →