Metropolis-Hastings avec données manquantes
L'algorithme de Metropolis-Hastings avec données manquantes traite les valeurs non observées comme des variables latentes et les échantillonne conjointement avec les paramètres du modèle au sein d'une unique chaîne MCMC. En augmentant la distribution cible pour inclure à la fois les paramètres et les valeurs manquantes, l'algorithme produit une inférence bayésienne correctement calibrée sans rejeter les cas incomplets ni nécessiter une étape d'imputation séparée.
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.
Sources
- 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
Comment citer cette page
ScholarGate. (2026, June 3). Metropolis-Hastings Algorithm with Missing Data Augmentation. ScholarGate. https://scholargate.app/fr/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.
- Inférence bayésienne avec données manquantesBayésien↔ compare
- Augmentation des donnéesApprentissage profond↔ compare
- Échantillonnage de Gibbs avec données manquantesBayésien↔ compare
- Hamiltonian Monte Carlo avec données manquantesBayésien↔ compare
- Algorithme de Metropolis-HastingsBayésien↔ compare
- Imputation MultipleStatistique↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →