Monte Carlo seqüencial amb dades perdudes
El Monte Carlo seqüencial (SMC) amb dades perdudes estén el filtre de partícules estàndard a models d'espai d'estats en els quals falten algunes observacions. Quan una observació falta en un determinat pas de temps, simplement se salta el pas d'actualització: les partícules es propaguen cap endavant a través del model de transició sense reponderació, preservant la inferència bayesiana exacta sota qualsevol patró de dades perdudes, sempre que la manca sigui ignorant (perduda a l'atzar o perduda completament a l'atzar).
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
- Doucet, A., de Freitas, N., & Gordon, N. (Eds.) (2001). Sequential Monte Carlo Methods in Practice. Springer, New York. ISBN: 978-0387951461
- Chopin, N., & Papaspiliopoulos, O. (2020). An Introduction to Sequential Monte Carlo. Springer, Cham. DOI: 10.1007/978-3-030-47845-2 ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 3). Sequential Monte Carlo with Missing Data. ScholarGate. https://scholargate.app/ca/bayesian/sequential-monte-carlo-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
- Monte Carlo seqüencial dinàmicBayesià↔ compare
- Gibbs Sampling amb Dades FaltantsBayesià↔ compare
- El filtre de Kalman amb dades perdudesBayesià↔ compare
- Filtre de partícules (Mètodes Sequencials de Monte Carlo)Bayesià↔ compare
- Monte Carlo SeqüencialBayesià↔ compare
Citat per
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →