Hamiltonian Monte Carlo avec données manquantes
Le Hamiltonian Monte Carlo (HMC) avec données manquantes étend l'échantillonneur HMC basé sur le gradient pour gérer les observations incomplètes en traitant les valeurs manquantes comme des paramètres inconnus supplémentaires. La postérieure sur les paramètres du modèle et les valeurs manquantes est échantillonnée conjointement en une seule passe efficace, exploitant l'information du gradient pour explorer l'espace conjoint de haute dimension avec beaucoup moins de propositions rejetées que le MCMC par marche aléatoire.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Carte des méthodes
Le voisinage des méthodes apparentées — sélectionnez un nœud pour explorer.
Sources
- Neal, R. M. (2011). MCMC using Hamiltonian dynamics. In S. Brooks, A. Gelman, G. Jones & X.-L. Meng (Eds.), Handbook of Markov Chain Monte Carlo (pp. 113-162). CRC Press. ISBN: 978-1420079418
- Gelman, A., Carlin, J. B., Stern, H. S., Dunson, D. B., Vehtari, A. & Rubin, D. B. (2013). Bayesian Data Analysis (3rd ed.). CRC Press. Chapter 18: Missing-data imputation. ISBN: 978-1439840955
Comment citer cette page
ScholarGate. (2026, June 3). Hamiltonian Monte Carlo with Missing Data Imputation. ScholarGate. https://scholargate.app/fr/bayesian/hamiltonian-monte-carlo-with-missing-data
Quelle méthode ?
Placez cette méthode aux côtés de ses plus proches parentes et lisez-les côte à côte — la bibliothèque pose les ouvrages sur la table ; le choix vous revient.
- Inférence bayésienne avec données manquantesBayésien↔ comparer
- Échantillonnage de Gibbs avec données manquantesBayésien↔ comparer
- Monte Carlo HamiltonienBayésien↔ comparer
- MCMC avec données manquantesBayésien↔ comparer
- Imputation MultipleStatistique↔ comparer
- Inférence variationnelle avec données manquantesBayésien↔ comparer
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →