Metropolis-Hastings menetelmä puuttuvalla datalla
Metropolis-Hastings menetelmä puuttuvalla datalla käsittelee havaitsemattomia arvoja piilevinä muuttujina ja otostaa ne yhdessä mallin parametrien kanssa yhden MCMC-ketjun sisällä. Laajentamalla kohdejakaumaa kattamaan sekä parametrit että puuttuvat arvot, algoritmi tuottaa asianmukaisesti kalibroidun posterioritiedustelun hylkäämättä epätäydellisiä tapauksia tai vaatimatta erillistä imputointivaihetta.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Metropolis-Hastings Algorithm with Missing Data Augmentation. ScholarGate. https://scholargate.app/fi/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.
- Bayesiläinen päättely puuttuvalla datallaBayesilainen tilastotiede↔ compare
- Datan augmentointiSyväoppiminen↔ compare
- Gibbs-otanta puuttuvalla datallaBayesilainen tilastotiede↔ compare
- Hamiltonin Monte Carlo puuttuvilla tiedoillaBayesilainen tilastotiede↔ compare
- Metropolis-Hastings-algoritmiBayesilainen tilastotiede↔ compare
- Monitahinen imputointiTilastotiede↔ compare
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →