Hamiltonian Monte Carlo med manglende data
Hamiltonian Monte Carlo med manglende data udvider den gradient-baserede HMC-sampler til at håndtere ufuldstændige observationer ved at behandle manglende værdier som yderligere ukendte parametre. Posterior-fordelingen over modelparametre og manglende værdier samples samlet i ét effektivt gennemløb, idet der udnyttes gradientinformation til at udforske det højdimensionelle fælles rum med langt færre afviste forslag end random-walk MCMC.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- Neal, R. M. (2011). MCMC using Hamiltonian dynamics. In S. Brooks, A. Gelman, G. Jones & X.-L. Meng (Eds.), Handbook of Markov Chain Monte Carlo (pp. 113-162). CRC Press. ISBN: 978-1420079418
- Gelman, A., Carlin, J. B., Stern, H. S., Dunson, D. B., Vehtari, A. & Rubin, D. B. (2013). Bayesian Data Analysis (3rd ed.). CRC Press. Chapter 18: Missing-data imputation. ISBN: 978-1439840955
Sådan citerer du denne side
ScholarGate. (2026, June 3). Hamiltonian Monte Carlo with Missing Data Imputation. ScholarGate. https://scholargate.app/da/bayesian/hamiltonian-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.
- Bayesiansk inferens med manglende dataBayesiansk↔ compare
- Gibbs Sampling med manglende dataBayesiansk↔ compare
- Hamiltonian Monte CarloBayesiansk↔ compare
- MCMC med manglende dataBayesiansk↔ compare
- Multiple ImputationStatistik↔ compare
- Variationsinferens med manglende dataBayesiansk↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →