Metropolis-Hastings con dati mancanti
Metropolis-Hastings con dati mancanti tratta i valori non osservati come variabili latenti e li campiona congiuntamente ai parametri del modello all'interno di un'unica catena MCMC. Aumentando la distribuzione target per includere sia i parametri sia i valori mancanti, l'algoritmo produce inferenze posteriori correttamente calibrate senza scartare i casi incompleti o richiedere un passaggio di imputazione separato.
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.
Fonti
- 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
Come citare questa pagina
ScholarGate. (2026, June 3). Metropolis-Hastings Algorithm with Missing Data Augmentation. ScholarGate. https://scholargate.app/it/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.
- Inferenza Bayesiana con Dati MancantiBayesiano↔ compare
- Aumento dei DatiApprendimento profondo↔ compare
- Campionamento di Gibbs con dati mancantiBayesiano↔ compare
- Hamiltonian Monte Carlo con Dati MancantiBayesiano↔ compare
- Algoritmo di Metropolis-HastingsBayesiano↔ compare
- Multiple ImputationStatistica↔ compare
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →