همیلتونیَن مونت کارلو با دادههای گمشده
همیلتونیَن مونت کارلو با دادههای گمشده، نمونهگیر مبتنی بر گرادیان HMC را برای مدیریت مشاهدات ناقص با در نظر گرفتن مقادیر گمشده به عنوان پارامترهای اضافی ناشناخته، گسترش میدهد. توزیع پسین روی پارامترهای مدل و مقادیر گمشده به طور مشترک در یک مرحله کارآمد نمونهبرداری میشود و از اطلاعات گرادیان برای کاوش فضای مشترک با ابعاد بالا با تعداد بسیار کمتری پیشنهاد رد شده نسبت به MCMC گام-تصادفی بهره میبرد.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
نقشهٔ روش
همسایگی روشهای مرتبط — برای کاوش، یک گره را برگزینید.
منابع
- 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
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Hamiltonian Monte Carlo with Missing Data Imputation. ScholarGate. https://scholargate.app/fa/bayesian/hamiltonian-monte-carlo-with-missing-data
کدام روش؟
این روش را در کنار نزدیکترین روشهای خویشاوندش بگذارید و آنها را کنار هم بخوانید — کتابخانه کتابها را روی میز میگشاید؛ انتخاب با شماست.
- استنتاج بیزی با دادههای گمشدهبیزی↔ مقایسه
- نمونهگیری گیبس با دادههای گمشدهبیزی↔ مقایسه
- هامیلتونی مونت کارلوبیزی↔ مقایسه
- MCMC با دادههای گمشدهبیزی↔ مقایسه
- چندگانه سازیآمار↔ مقایسه
- استنتاج تنوعی با دادههای گمشدهبیزی↔ مقایسه
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →