Metode Monte Carlo Hamiltonian dengan Data Hilang
Metode Monte Carlo Hamiltonian (HMC) dengan data hilang memperluas sampler HMC berbasis gradien untuk menangani observasi yang tidak lengkap dengan memperlakukan nilai yang hilang sebagai parameter tambahan yang tidak diketahui. Posterior atas parameter model dan nilai yang hilang disampel bersama dalam satu lintasan efisien, memanfaatkan informasi gradien untuk menjelajahi ruang gabungan berdimensi tinggi dengan penolakan proposal yang jauh lebih sedikit daripada MCMC random-walk.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Peta metode
Lingkup metode terkait — pilih sebuah simpul untuk menjelajah.
Sumber
- Neal, R. M. (2011). MCMC using Hamiltonian dynamics. In S. Brooks, A. Gelman, G. Jones & X.-L. Meng (Eds.), Handbook of Markov Chain Monte Carlo (pp. 113-162). CRC Press. ISBN: 978-1420079418
- Gelman, A., Carlin, J. B., Stern, H. S., Dunson, D. B., Vehtari, A. & Rubin, D. B. (2013). Bayesian Data Analysis (3rd ed.). CRC Press. Chapter 18: Missing-data imputation. ISBN: 978-1439840955
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Hamiltonian Monte Carlo with Missing Data Imputation. ScholarGate. https://scholargate.app/id/bayesian/hamiltonian-monte-carlo-with-missing-data
Metode yang mana?
Letakkan metode ini berdampingan dengan kerabat terdekatnya dan baca secara bersisian — pustaka menata bukunya di atas meja; pilihan ada di tangan Anda.
- Inferensi Bayesian dengan Data HilangBayesian↔ bandingkan
- Sampling Gibbs dengan Data HilangBayesian↔ bandingkan
- Hamiltonian Monte CarloBayesian↔ bandingkan
- MCMC dengan Data HilangBayesian↔ bandingkan
- Imputasi BergandaStatistika↔ bandingkan
- Inferensi Variasional dengan Data HilangBayesian↔ bandingkan
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →