ميتروبوليس-هاستينغز مع البيانات المفقودة
يعامل ميتروبوليس-هاستينغز مع البيانات المفقودة القيم غير المرصودة كمتغيرات كامنة ويقوم بأخذ عينات منها بشكل مشترك مع معلمات النموذج داخل سلسلة MCMC واحدة. من خلال زيادة توزيع الهدف ليشمل كلاً من المعلمات والقيم المفقودة، ينتج الخوارزمية استدلالاً خلفياً معايرًا بشكل صحيح دون التخلص من الحالات غير المكتملة أو الحاجة إلى خطوة استكمال منفصلة.
اقرأ الطريقة كاملة
سجّل الدخول بحساب مجاني لقراءة هذا القسم.
Method map
The neighbourhood of related methods — select a node to explore.
المصادر
- Tanner, M. A. & Wong, W. H. (1987). The calculation of posterior distributions by data augmentation. Journal of the American Statistical Association, 82(398), 528-540. DOI: 10.2307/2289457 ↗
- Gelman, A., Carlin, J. B., Stern, H. S., Dunson, D. B., Vehtari, A. & Rubin, D. B. (2013). Bayesian Data Analysis (3rd ed.). CRC Press. ISBN: 978-1439840955
كيف تستشهد بهذه الصفحة
ScholarGate. (2026, June 3). Metropolis-Hastings Algorithm with Missing Data Augmentation. ScholarGate. https://scholargate.app/ar/bayesian/metropolis-hastings-with-missing-data
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.
- الاستدلال البايزي مع البيانات المفقودةبايزي↔ compare
- تعزيز البياناتالتعلم العميق↔ compare
- أخذ العينات بجيبس مع البيانات المفقودةبايزي↔ compare
- هاميلتونيان مونت كارلو مع البيانات المفقودةبايزي↔ compare
- خوارزمية متروبوليس-هاستينغزبايزي↔ compare
- الاستيفاء المتعددالإحصاء↔ compare