شبیهسازی مونت کارلو با دادههای گمشده
شبیهسازی مونت کارلو با دادههای گمشده، شبیهسازی تصادفی - یعنی کشیدن مقادیر تصادفی از توزیعهای احتمال - را با راهبردهای اصولی برای دادههای گمشده مانند تعمیم چندگانه ترکیب میکند. به جای دور انداختن سوابق ناقص یا جایگزینی یک مقدار واحد، این روش چندین مجموعه داده کامل شبیهسازی شده ایجاد میکند، تحلیل هدف را روی هر کدام اجرا میکند و نتایج را برای ارائه تخمینهایی که عدم قطعیت نمونهبرداری و عدم قطعیت ناشی از گمشده بودن دادهها را صادقانه منعکس میکنند، تجمیع میکند.
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
- Little, R. J. A. & Rubin, D. B. (2002). Statistical Analysis with Missing Data (2nd ed.). Wiley. ISBN: 978-0471183860
- van Buuren, S. (2018). Flexible Imputation of Missing Data (2nd ed.). CRC Press / Chapman & Hall. link ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Monte Carlo Simulation with Missing Data Handling. ScholarGate. https://scholargate.app/fa/bayesian/monte-carlo-simulation-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
- شبیهسازی بوتاسترپ با دادههای گمشدهبیزی↔ compare
- نمونهگیری گیبس با دادههای گمشدهبیزی↔ compare
- MCMC با دادههای گمشدهبیزی↔ compare
- چندگانه سازیآمار↔ compare
- مونتکارلوی ترتیبیبیزی↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →