Bayesian methodsBayesian / computational
欠損データを持つメトロポリス・ヘイスティングス法
欠損データを持つメトロポリス・ヘイスティングス法は、観測されていない値を潜在変数として扱い、単一のMCMC連鎖内でモデルパラメータと共にそれらをサンプリングします。パラメータと欠損値の両方を含むようにターゲット分布を拡張することにより、このアルゴリズムは、不完全なケースを破棄したり、個別の補完ステップを必要としたりすることなく、適切に較正された事後推論をもたらします。
手法の全文を読む
会員限定
ログイン無料アカウントでログインすると、このセクションを読めます。
Method map
The neighbourhood of related methods — select a node to explore.
出典
- 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
このページの引用方法
ScholarGate. (2026, June 3). Metropolis-Hastings Algorithm with Missing Data Augmentation. ScholarGate. https://scholargate.app/ja/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.
- 欠損値を含むベイズ推論ベイズ↔ compare
- データ拡張（Data Augmentation）深層学習↔ compare
- 欠損値を有するギブスサンプリングベイズ↔ compare
- 欠損データを含むハミルトニアン・モンテカルロ法ベイズ↔ compare
- メトロポリス・ヘイスティングス法ベイズ↔ compare
- Multiple Imputation統計学↔ compare