Метрополис-Хастингс при липсващи данни
Метрополис-Хастингс при липсващи данни третира ненаблюдаваните стойности като латентни променливи и ги семплира съвместно с параметрите на модела в рамките на една МКМС верига. Чрез разширяване на целевото разпределение, за да включва както параметри, така и липсващи стойности, алгоритъмът осигурява правилно калибрирани апостериорни заключения, без да изхвърля непълни случаи или да изисква отделна стъпка на импутиране.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- 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
Как да цитирате тази страница
ScholarGate. (2026, June 3). Metropolis-Hastings Algorithm with Missing Data Augmentation. ScholarGate. https://scholargate.app/bg/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.
- Байесовско извод при липсващи данниБейсови методи↔ compare
- Аугментация на данниДълбоко обучение↔ compare
- Gibbs Sampling with Missing DataБейсови методи↔ compare
- Хамилтонов Монте Карло с липсващи данниБейсови методи↔ compare
- Алгоритъм на Метрополис-ХастингсБейсови методи↔ compare
- Множествена импутацияСтатистика↔ compare
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →