Monte Carlo séquentiel avec données manquantes
Le Monte Carlo séquentiel (SMC) avec données manquantes étend le filtre particulaire standard aux modèles d'espace d'états dans lesquels certaines observations sont absentes. Lorsqu'une observation est manquante à une étape temporelle donnée, l'étape de mise à jour est simplement sautée : les particules sont propagées vers l'avant via le modèle de transition sans repondération, préservant l'inférence bayésienne exacte sous tout schéma de données manquantes tant que l'absence est ignorée (manquante au hasard ou complètement au hasard).
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
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Sequential Monte Carlo with Missing Data. ScholarGate. https://scholargate.app/fr/bayesian/sequential-monte-carlo-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
- Dynamic Sequential Monte CarloBayésien↔ compare
- Échantillonnage de Gibbs avec données manquantesBayésien↔ compare
- Filtre de Kalman avec données manquantesBayésien↔ compare
- Filtre particulaire (Monte Carlo séquentiel)Bayésien↔ compare
- Monte Carlo séquentielBayésien↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →