Gibbs Sampling bei fehlenden Daten
Gibbs Sampling bei fehlenden Daten behandelt unbeobachtete Werte als zusätzliche Unbekannte neben den Modellparametern und zieht Stichproben aus allen gemeinsam innerhalb einer Markov-Ketten-Monte-Carlo-Schleife. Die Methode wechselt zwischen dem Ziehen der fehlenden Werte aus ihrer bedingten Verteilung gegeben die Parameter und dem Ziehen der Parameter aus ihrer bedingten Verteilung gegeben die vervollständigten Daten, wodurch gleichzeitig eine Posterior-Verteilung für beide erzeugt wird.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
+2 more
Quellen
- 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 ↗
- Little, R. J. A. & Rubin, D. B. (2002). Statistical Analysis with Missing Data (2nd ed.). Wiley. ISBN: 978-0471183860
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Gibbs Sampling with Missing Data Imputation. ScholarGate. https://scholargate.app/de/bayesian/gibbs-sampling-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.
- Bayesian Hierarchical Model with Missing DataBayes-Statistik↔ compare
- Bayes'sche Inferenz bei fehlenden DatenBayes-Statistik↔ compare
- DatenerweiterungDeep Learning↔ compare
- Gibbs-SamplingBayes-Statistik↔ compare
- MCMC bei fehlenden DatenBayes-Statistik↔ compare
- Multiple Imputation – MICEStatistik↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →