เปรียบเทียบวิธี

	Markov Chain Monte Carlo (MCMC) แบบทนทาน	การอนุมานแบบเบย์ที่คงทน
สาขาวิชา	เบย์	เบย์
ตระกูล	Bayesian methods	Bayesian methods
ปีกำเนิด	2000s–2010s	1984–1990
ผู้ริเริ่ม	Roberts, Rosenthal and colleagues; extended by Atchade, Barp, Girolami and others	James O. Berger
ประเภท	Bayesian computational sampling	Bayesian sensitivity / robustness framework
แหล่งต้นตำรับ	Roberts, G. O. & Rosenthal, J. S. (2004). General state space Markov chains and MCMC algorithms. Probability Surveys, 1, 20–71.	Berger, J. O. (1990). Robust Bayesian analysis: sensitivity to the prior. Journal of Statistical Planning and Inference, 25(3), 303–328.
ชื่อเรียกอื่น	robust MCMC, outlier-robust MCMC, robust posterior sampling, misspecification-robust MCMC	Bayesian sensitivity analysis, prior robustness, epsilon-contamination Bayesian analysis, robust Bayes
ที่เกี่ยวข้อง	5	6
สรุป	Robust MCMC combines Markov chain Monte Carlo sampling with robustness techniques to produce reliable posterior inference when data contain outliers, when the assumed model is misspecified, or when the target distribution has heavy tails that cause standard samplers to mix poorly or yield distorted estimates.	Robust Bayesian inference extends standard Bayesian analysis by replacing a single prior distribution with a class of plausible priors and examining how much the posterior conclusions change across that class. Instead of committing to one prior, the analyst bounds the posterior quantity of interest, revealing whether findings are stable or critically dependent on prior assumptions.