MCMC dengan Data Hilang
MCMC dengan data hilang adalah strategi komputasi Bayesian yang memperlakukan nilai yang tidak teramati sebagai parameter tambahan yang tidak diketahui. Dengan bergantian antara mengambil sampel nilai yang hilang dari distribusi prediktifnya dan mengambil sampel parameter model dari posteriornya, algoritma menghasilkan posterior gabungan yang valid yang sepenuhnya memperhitungkan ketidakpastian yang diperkenalkan oleh ketiadaan data.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
+3 more
Sumber
- 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Markov Chain Monte Carlo with Missing Data. ScholarGate. https://scholargate.app/id/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.
- Model Hirarkis BayesianBayesian↔ compare
- Inferensi Bayesian dengan Data HilangBayesian↔ compare
- Sampling GibbsBayesian↔ compare
- Hamiltonian Monte CarloBayesian↔ compare
- Algoritma Metropolis-HastingsBayesian↔ compare
- Imputasi BergandaStatistika↔ compare
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →