MCMC با دادههای گمشده
MCMC با دادههای گمشده یک استراتژی محاسباتی بیزی است که مقادیر مشاهده نشده را به عنوان پارامترهای ناشناخته اضافی در نظر میگیرد. با تناوب بین نمونهگیری مقادیر گمشده از توزیع پیشبین آنها و نمونهگیری پارامترهای مدل از توزیع پسین آنها، الگوریتم یک توزیع پسین مشترک معتبر تولید میکند که عدم قطعیت ناشی از گمشده بودن را به طور کامل در نظر میگیرد.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
+3 more
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Markov Chain Monte Carlo with Missing Data. ScholarGate. https://scholargate.app/fa/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.
- مدل سلسله مراتبی بیزیبیزی↔ compare
- استنتاج بیزی با دادههای گمشدهبیزی↔ compare
- نمونهگیری گیبسبیزی↔ compare
- هامیلتونی مونت کارلوبیزی↔ compare
- الگوریتم متروپولیس-هستینگزبیزی↔ compare
- چندگانه سازیآمار↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →