MCMC avec données manquantes
Le MCMC avec données manquantes est une stratégie computationnelle bayésienne qui traite les valeurs non observées comme des paramètres inconnus supplémentaires. En alternant entre l'échantillonnage des valeurs manquantes à partir de leur distribution prédictive et l'échantillonnage des paramètres du modèle à partir de leur a posteriori, l'algorithme produit une distribution a posteriori jointe valide qui tient pleinement compte de l'incertitude introduite par les données manquantes.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
+3 more
Sources
- Little, R. J. A. & Rubin, D. B. (2002). Statistical Analysis with Missing Data (2nd ed.). Wiley. ISBN: 978-0471183860
- 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: 10.1080/01621459.1987.10478458 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Markov Chain Monte Carlo with Missing Data. ScholarGate. https://scholargate.app/fr/bayesian/mcmc-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.
- Modèle hiérarchique bayésienBayésien↔ compare
- Inférence bayésienne avec données manquantesBayésien↔ compare
- Échantillonnage de GibbsBayésien↔ compare
- Monte Carlo HamiltonienBayésien↔ compare
- Algorithme de Metropolis-HastingsBayésien↔ compare
- Imputation MultipleStatistique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →