Metropolis-Hastings hiányzó adatokkal
A hiányzó adatokkal végzett Metropolis-Hastings algoritmus az észrevétlen értékeket latens változókként kezeli, és ezeket a modellparaméterekkel együtt, egyetlen MCMC láncon belül mintázza. A céleloszlás kiterjesztésével, hogy mind a paramétereket, mind a hiányzó értékeket tartalmazza, az algoritmus megfelelően kalibrált utólagos következtetést eredményez anélkül, hogy a hiányos eseteket elvetné vagy külön imputálási lépésre lenne szükség.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- 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
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Metropolis-Hastings Algorithm with Missing Data Augmentation. ScholarGate. https://scholargate.app/hu/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.
- Bayes-féle következtetés hiányzó adatokkalBayes-statisztika↔ compare
- AdatbővítésMélytanulás↔ compare
- Gibbs-mintavételezés hiányzó adatokkalBayes-statisztika↔ compare
- Hamiltonian Monte Carlo hiányzó adatokkalBayes-statisztika↔ compare
- Metropolis-Hastings algoritmusBayes-statisztika↔ compare
- Többszörös imputációStatisztika↔ compare
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →