MCMC con dati mancanti
L'MCMC con dati mancanti è una strategia computazionale bayesiana che tratta i valori non osservati come parametri aggiuntivi sconosciuti. Alternando il campionamento dei valori mancanti dalla loro distribuzione predittiva e il campionamento dei parametri del modello dalla loro posteriore, l'algoritmo produce una distribuzione congiunta posteriore valida che tiene pienamente conto dell'incertezza introdotta dalla mancanza di dati.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
+3 more
Fonti
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Markov Chain Monte Carlo with Missing Data. ScholarGate. https://scholargate.app/it/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.
- Modello Gerarchico BayesianoBayesiano↔ compare
- Inferenza Bayesiana con Dati MancantiBayesiano↔ compare
- Gibbs SamplingBayesiano↔ compare
- Hamiltonian Monte CarloBayesiano↔ compare
- Algoritmo di Metropolis-HastingsBayesiano↔ compare
- Multiple ImputationStatistica↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →