MCMC con datos faltantes
MCMC con datos faltantes es una estrategia computacional bayesiana que trata los valores no observados como parámetros adicionales desconocidos. Alternando entre muestrear los valores faltantes de su distribución predictiva y muestrear los parámetros del modelo de su posterior, el algoritmo produce una posterior conjunta válida que tiene en cuenta completamente la incertidumbre introducida por la falta de datos.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
+3 more
Fuentes
- Little, R. J. A. & Rubin, D. B. (2002). Statistical Analysis with Missing Data (2nd ed.). Wiley. ISBN: 978-0471183860
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Markov Chain Monte Carlo with Missing Data. ScholarGate. https://scholargate.app/es/bayesian/mcmc-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.
- Modelo Jerárquico BayesianoBayesiano↔ compare
- Inferencia bayesiana con datos faltantesBayesiano↔ compare
- Muestreo de GibbsBayesiano↔ compare
- Hamiltonian Monte CarloBayesiano↔ compare
- Algoritmo de Metropolis-HastingsBayesiano↔ compare
- Múltiple ImputaciónEstadística↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →