การสุ่มตัวอย่างแบบกีบส์ที่ทนทาน
การสุ่มตัวอย่างแบบกีบส์ที่ทนทาน (Robust Gibbs sampling) เป็นกลยุทธ์มาร์คอฟเชนมอนติคาร์โล (Markov chain Monte Carlo - MCMC) ที่จับคู่การสุ่มตัวอย่างแบบกีบส์ตามพิกัด (coordinate-wise Gibbs sampler) กับการระบุแบบจำลองที่มีหางหนา (heavy-tailed) หรือทนทานต่อค่าผิดปกติ (outlier-resistant) โดยทั่วไปคือฟังก์ชันความควรจะเป็นแบบที (Student-t likelihoods) เพื่อให้การอนุมานภายหลัง (posterior inference) ไม่ถูกบิดเบือนโดยการสังเกตการณ์สุดขั้ว (extreme observations) โดยบรรลุความทนทานผ่านการเพิ่มข้อมูล (data augmentation): การสังเกตการณ์แต่ละครั้งจะได้รับน้ำหนักความแปรปรวนแฝง (latent variance weight) ซึ่งจะลดน้ำหนักของค่าผิดปกติโดยอัตโนมัติในแต่ละรอบการสุ่มตัวอย่าง
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- Geweke, J. (1993). Bayesian treatment of the independent Student-t linear model. Journal of Applied Econometrics, 8(S1), S19–S40. DOI: 10.1002/jae.3950080504 ↗
- Chib, S. & Greenberg, E. (1995). Understanding the Metropolis-Hastings algorithm. The American Statistician, 49(4), 327–335. DOI: 10.1080/00031305.1995.10476177 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Robust Gibbs Sampling. ScholarGate. https://scholargate.app/th/bayesian/robust-gibbs-sampling
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- การถดถอยแบบเบย์ (Bayesian Regression)เบย์↔ compare
- การสุ่มตัวอย่างแบบกิบบส์เบย์↔ compare
- การอนุมานแบบเบย์ที่คงทนเบย์↔ compare
- Markov Chain Monte Carlo (MCMC) แบบทนทานเบย์↔ compare