MCMC hiányzó adatokkal
A hiányzó adatokkal végzett MCMC egy Bayes-i számítási stratégia, amely az észrevétlen értékeket további ismeretlen paraméterekként kezeli. A hiányzó értékeket a prediktív eloszlásukból, majd a modellparamétereket a posterior eloszlásukból mintázva az algoritmus egy érvényes közös posterior eloszlást hoz létre, amely teljes mértékben figyelembe veszi a hiányzó adatok által bevezetett bizonytalanságot.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
+3 more
Források
- 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 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Markov Chain Monte Carlo with Missing Data. ScholarGate. https://scholargate.app/hu/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.
- Bayes-féle hierarchikus modellBayes-statisztika↔ compare
- Bayes-féle következtetés hiányzó adatokkalBayes-statisztika↔ compare
- Gibbs-mintavételBayes-statisztika↔ compare
- Hamiltonian Monte CarloBayes-statisztika↔ compare
- Metropolis-Hastings algoritmusBayes-statisztika↔ compare
- Többszörös imputációStatisztika↔ compare
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →