Sequentielle Monte-Carlo-Methoden bei fehlenden Daten
Sequentielle Monte-Carlo-Methoden (SMC) bei fehlenden Daten erweitern den Standard-Partikelfilter auf Zustandsraummodelle, bei denen einige Beobachtungen fehlen. Wenn eine Beobachtung in einem bestimmten Zeitschritt fehlt, wird der Aktualisierungsschritt einfach übersprungen: Die Partikel werden ohne Neubewichtung durch das Übergangsmodell nach vorne propagiert, wodurch exakte Bayes'sche Inferenz unter jedem Muster fehlender Daten erhalten bleibt, solange die Fehlenswahrscheinlichkeit ignoriert werden kann (missing at random oder missing completely at random).
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
- Doucet, A., de Freitas, N., & Gordon, N. (Eds.) (2001). Sequential Monte Carlo Methods in Practice. Springer, New York. ISBN: 978-0387951461
- Chopin, N., & Papaspiliopoulos, O. (2020). An Introduction to Sequential Monte Carlo. Springer, Cham. DOI: 10.1007/978-3-030-47845-2 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Sequential Monte Carlo with Missing Data. ScholarGate. https://scholargate.app/de/bayesian/sequential-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
- Dynamisches sequenzielles Monte-Carlo-VerfahrenBayes-Statistik↔ compare
- Gibbs Sampling bei fehlenden DatenBayes-Statistik↔ compare
- Kalman-Filter bei fehlenden DatenBayes-Statistik↔ compare
- Partikelfilter (Sequentieller Monte-Carlo-Algorithmus)Bayes-Statistik↔ compare
- Sequentielle Monte-Carlo-MethodenBayes-Statistik↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →