Hamiltonian Monte Carlo mit fehlenden Daten
Hamiltonian Monte Carlo mit fehlenden Daten erweitert den gradientenbasierten HMC-Sampler zur Handhabung unvollständiger Beobachtungen, indem fehlende Werte als zusätzliche unbekannte Parameter behandelt werden. Die Posterior-Verteilung über Modellparameter und fehlende Werte wird in einem einzigen effizienten Durchlauf gemeinsam abgetastet, wobei Gradienteninformationen genutzt werden, um den hochdimensionalen gemeinsamen Raum mit weitaus weniger zurückgewiesenen Vorschlägen als bei Random-Walk-MCMC zu erkunden.
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.
Quellen
- 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
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Hamiltonian Monte Carlo with Missing Data Imputation. ScholarGate. https://scholargate.app/de/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.
- Bayes'sche Inferenz bei fehlenden DatenBayes-Statistik↔ compare
- Gibbs Sampling bei fehlenden DatenBayes-Statistik↔ compare
- Hamiltonian Monte CarloBayes-Statistik↔ compare
- MCMC bei fehlenden DatenBayes-Statistik↔ compare
- Multiple Imputation – MICEStatistik↔ compare
- Variationsinferenz mit fehlenden DatenBayes-Statistik↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →