Sequential Monte Carlo with Missing Data
Sequential Monte Carlo (SMC) with missing data extends the standard particle filter to state-space models in which some observations are absent. When an observation is missing at a given time step the update step is simply skipped: particles are propagated forward through the transition model without reweighting, preserving exact Bayesian inference under any missing-data pattern as long as missingness is ignorable (missing at random or missing completely at random).
Catatan sumber
Kutipan disalin apa adanya dari catatan sumber metode. Tidak ada verifikasi tingkat klaim yang disimpulkan darinya.
- Doucet, A., de Freitas, N., & Gordon, N. (Eds.) (2001). Sequential Monte Carlo Methods in Practice. Springer, New York. · ISBN 978-0387951461
- Chopin, N., & Papaspiliopoulos, O. (2020). An Introduction to Sequential Monte Carlo. Springer, Cham. · DOI 10.1007/978-3-030-47845-2
Klaim yang dikurasi
Klaim tersimpan dalam buku besar bukti, masing-masing dengan penilaiannya sendiri.
Tampilan ini tidak menciptakan penilaian klaim ketika buku besar tidak memilikinya.
Metode terkait
Dihasilkan dari grafik metode dan ditampilkan sebagai relasi yang disarankan mesin — tidak ada klaim bukti yang disimpulkan.