MCMC med manglende data
MCMC med manglende data er en Bayesiansk beregningsstrategi, der behandler uobserverede værdier som yderligere ukendte parametre. Ved at skifte mellem at sample de manglende værdier fra deres prædiktive fordeling og at sample modelparametrene fra deres posterior, producerer algoritmen en gyldig fælles posterior, der fuldt ud tager højde for usikkerheden introduceret af manglende data.
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.
+3 more
Kilder
- Little, R. J. A. & Rubin, D. B. (2002). Statistical Analysis with Missing Data (2nd ed.). Wiley. ISBN: 978-0471183860
- 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: 10.1080/01621459.1987.10478458 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Markov Chain Monte Carlo with Missing Data. ScholarGate. https://scholargate.app/da/bayesian/mcmc-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 hierarkisk modelBayesiansk↔ compare
- Bayesiansk inferens med manglende dataBayesiansk↔ compare
- Gibbs SamplingBayesiansk↔ compare
- Hamiltonian Monte CarloBayesiansk↔ compare
- Metropolis-Hastings AlgoritmenBayesiansk↔ compare
- Multiple ImputationStatistik↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →