Monte Carlo Sequenziale con Dati Mancanti
Il Monte Carlo Sequenziale (SMC) con dati mancanti estende il filtro particellare standard ai modelli di spazio degli stati in cui alcune osservazioni sono assenti. Quando un'osservazione è mancante in un dato passo temporale, il passo di aggiornamento viene semplicemente saltato: le particelle vengono propagate in avanti attraverso il modello di transizione senza ricalibrazione dei pesi, preservando l'inferenza bayesiana esatta sotto qualsiasi schema di dati mancanti, purché la "mancanza" sia ignorabile (missing at random o missing completely at random).
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
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Sequential Monte Carlo with Missing Data. ScholarGate. https://scholargate.app/it/bayesian/sequential-monte-carlo-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
- Dynamic Sequential Monte CarloBayesiano↔ compare
- Campionamento di Gibbs con dati mancantiBayesiano↔ compare
- Filtro di Kalman con dati mancantiBayesiano↔ compare
- Filtro a particelle (Monte Carlo Sequenziale)Bayesiano↔ compare
- Monte Carlo SequenzialeBayesiano↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →