Sequential Monte Carlo with Missing Data
Sequential Monte Carlo (SMC) with missing data extends the standard particle filter to state-space models in which some observations are absent. When an observation is missing at a given time step the update step is simply skipped: particles are propagated forward through the transition model without reweighting, preserving exact Bayesian inference under any missing-data pattern as long as missingness is ignorable (missing at random or missing completely at random).
Lähdetietue
Sitaatit kopioitu sanatarkasti metodin lähdetietueesta. Niistä ei päätellä väitteiden tasoista varmennusta.
- Doucet, A., de Freitas, N., & Gordon, N. (Eds.) (2001). Sequential Monte Carlo Methods in Practice. Springer, New York. · ISBN 978-0387951461
- Chopin, N., & Papaspiliopoulos, O. (2020). An Introduction to Sequential Monte Carlo. Springer, Cham. · DOI 10.1007/978-3-030-47845-2
Kuratoituja väitteitä
Väitteet tallennettu todistusaineiston pääkirjaan, jokaisella oma arviointinsa.
Tämä näkymä ei keksi väitteen arviointia, jos pääkirjassa ei ole sitä.
Liittyvät metodit
Luotu metodigraafista ja näytetään koneen ehdottamina suhteina – väitteitä ei päätellä.