متروپولیس-هاستینگز با دادههای گمشده
متروپولیس-هاستینگز با دادههای گمشده، مقادیر مشاهدهنشده را به عنوان متغیرهای پنهان در نظر میگیرد و آنها را به همراه پارامترهای مدل در یک زنجیره MCMC واحد نمونهبرداری میکند. با بسط توزیع هدف برای شامل شدن هم پارامترها و هم مقادیر گمشده، این الگوریتم استنباط پسین کالیبرهشدهای را بدون حذف موارد ناقص یا نیاز به یک مرحله جداگانه جایگزینی (imputation) ارائه میدهد.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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: 10.2307/2289457 ↗
- Gelman, A., Carlin, J. B., Stern, H. S., Dunson, D. B., Vehtari, A. & Rubin, D. B. (2013). Bayesian Data Analysis (3rd ed.). CRC Press. ISBN: 978-1439840955
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Metropolis-Hastings Algorithm with Missing Data Augmentation. ScholarGate. https://scholargate.app/fa/bayesian/metropolis-hastings-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.
- استنتاج بیزی با دادههای گمشدهبیزی↔ compare
- افزایش دادهیادگیری عمیق↔ compare
- نمونهگیری گیبس با دادههای گمشدهبیزی↔ compare
- همیلتونیَن مونت کارلو با دادههای گمشدهبیزی↔ compare
- الگوریتم متروپولیس-هستینگزبیزی↔ compare
- چندگانه سازیآمار↔ compare
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →