Metropolis-Hastings dengan Data Hilang
Metropolis-Hastings dengan data hilang memperlakukan nilai yang tidak teramati sebagai variabel laten dan mengambil sampelnya bersama dengan parameter model di dalam satu rantai MCMC. Dengan menambahkan distribusi target untuk mencakup parameter dan nilai yang hilang, algoritma menghasilkan inferensi posterior yang terkalibrasi dengan benar tanpa membuang kasus yang tidak lengkap atau memerlukan langkah imputasi terpisah.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Metropolis-Hastings Algorithm with Missing Data Augmentation. ScholarGate. https://scholargate.app/id/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.
- Inferensi Bayesian dengan Data HilangBayesian↔ compare
- Augmentasi DataPembelajaran Mendalam↔ compare
- Sampling Gibbs dengan Data HilangBayesian↔ compare
- Metode Monte Carlo Hamiltonian dengan Data HilangBayesian↔ compare
- Algoritma Metropolis-HastingsBayesian↔ compare
- Imputasi BergandaStatistika↔ compare
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →