Hamiltonian Monte Carlo with Measurement Error
Hamiltonian Monte Carlo (HMC) with measurement error is a Bayesian computational strategy for fitting models where one or more covariates are observed with noise. HMC samples jointly from the posterior over model parameters and the unobserved true covariate values, using gradient-based proposals that explore the high-dimensional posterior efficiently and avoid the slow random-walk behaviour of standard Metropolis sampling.
Källpost
Citat kopierade ordagrant från metodens källpost. Ingen verifiering på källnivå härleds från dem.
- 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. · URL
Kuraterade påståenden
Påståenden lagrade i bevisloggen, var och en med sin egen bedömning.
Denna vy hittar inte på en påståendebedömning när loggen saknar en.
Relaterade metoder
Genererade från metodgrafen och visade som maskinföreslagna relationer – inga bevispåståenden härleds.