Metropolis-Hastings bei fehlenden Daten
Metropolis-Hastings bei fehlenden Daten behandelt unbeobachtete Werte als latente Variablen und zieht sie gemeinsam mit den Modellparametern innerhalb einer einzigen MCMC-Kette. Durch die Erweiterung der Zielverteilung um Parameter und fehlende Werte liefert der Algorithmus eine korrekt kalibrierte Posterior-Inferenz, ohne unvollständige Fälle zu verwerfen oder einen separaten Imputationsschritt zu erfordern.
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
- 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
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Metropolis-Hastings Algorithm with Missing Data Augmentation. ScholarGate. https://scholargate.app/de/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.
- Bayes'sche Inferenz bei fehlenden DatenBayes-Statistik↔ compare
- DatenerweiterungDeep Learning↔ compare
- Gibbs Sampling bei fehlenden DatenBayes-Statistik↔ compare
- Hamiltonian Monte Carlo mit fehlenden DatenBayes-Statistik↔ compare
- Metropolis-Hastings-AlgorithmusBayes-Statistik↔ compare
- Multiple Imputation – MICEStatistik↔ compare
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →