Metropolis-Hastings amb dades perdudes
Metropolis-Hastings amb dades perdudes tracta els valors no observats com a variables latents i els mostreja conjuntament amb els paràmetres del model dins d'una única cadena MCMC. Augmentant la distribució objectiu per incloure tant els paràmetres com els valors perduts, l'algorisme produeix inferències posteriors correctament calibrades sense descartar casos incomplets ni requerir un pas d'imputació separat.
Llegeix el mètode complet
Inicia la sessió amb un compte gratuït per llegir aquesta secció.
Method map
The neighbourhood of related methods — select a node to explore.
Fonts
- 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
Com citar aquesta pàgina
ScholarGate. (2026, June 3). Metropolis-Hastings Algorithm with Missing Data Augmentation. ScholarGate. https://scholargate.app/ca/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.
- Inferència Bayesiana amb Dades FaltantsBayesià↔ compare
- Augmentació de dadesAprenentatge profund↔ compare
- Gibbs Sampling amb Dades FaltantsBayesià↔ compare
- Hamiltonian Monte Carlo amb Dades FaltantsBayesià↔ compare
- Algorisme de Metropolis-HastingsBayesià↔ compare
- Imputació MúltipleEstadística↔ compare
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →