Monte-Carlo-Simulation bei fehlenden Daten
Die Monte-Carlo-Simulation bei fehlenden Daten kombiniert stochastische Simulation – das Ziehen von Zufallswerten aus Wahrscheinlichkeitsverteilungen – mit prinzipiengeleiteten Strategien für fehlende Daten, wie der multiplen Imputation. Anstatt unvollständige Datensätze zu verwerfen oder einen einzelnen Ersatzwert einzusetzen, generiert die Methode viele simulierte vollständige Datensätze, führt die Zielanalyse für jeden durch und fasst die Ergebnisse zusammen, um Schätzungen zu erhalten, die sowohl die Stichprobenunsicherheit als auch die Unsicherheit aufgrund fehlender Werte ehrlich widerspiegeln.
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
- Little, R. J. A. & Rubin, D. B. (2002). Statistical Analysis with Missing Data (2nd ed.). Wiley. ISBN: 978-0471183860
- van Buuren, S. (2018). Flexible Imputation of Missing Data (2nd ed.). CRC Press / Chapman & Hall. link ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Monte Carlo Simulation with Missing Data Handling. ScholarGate. https://scholargate.app/de/bayesian/monte-carlo-simulation-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
- Bootstrap-Simulation mit fehlenden DatenBayes-Statistik↔ compare
- Gibbs Sampling bei fehlenden DatenBayes-Statistik↔ compare
- MCMC bei fehlenden DatenBayes-Statistik↔ compare
- Multiple Imputation – MICEStatistik↔ compare
- Sequentielle Monte-Carlo-MethodenBayes-Statistik↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →