Metropolis-Hastings s chybějícími daty
Metropolis-Hastings s chybějícími daty považuje nepozorované hodnoty za latentní proměnné a vzorkuje je společně s parametry modelu v rámci jediného řetězce MCMC. Rozšířením cílového rozdělení tak, aby zahrnovalo jak parametry, tak chybějící hodnoty, algoritmus poskytuje řádně kalibrovanou posteriorní inferenci bez vyřazení neúplných případů nebo nutnosti samostatného kroku imputace.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Metropolis-Hastings Algorithm with Missing Data Augmentation. ScholarGate. https://scholargate.app/cs/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.
- Bayesovská inference s chybějícími datyBayesovská statistika↔ compare
- Rozšíření datHluboké učení↔ compare
- Gibbsův vzorkovač s chybějícími datyBayesovská statistika↔ compare
- Hamiltonian Monte Carlo s chybějícími datyBayesovská statistika↔ compare
- Algoritmus Metropolis-HastingsBayesovská statistika↔ compare
- Vícenásobná imputaceStatistika↔ compare
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →