ScholarGate
어시스턴트
Bayesian methodsBayesian / computational

결측치가 있는 MCMC

결측치가 있는 MCMC는 관찰되지 않은 값을 추가적인 미지의 모수로 취급하는 베이즈 계산 전략입니다. 결측치를 예측 분포에서 샘플링하는 것과 모수를 사후 분포에서 샘플링하는 것을 번갈아 수행함으로써, 알고리즘은 결측으로 인해 발생하는 불확실성을 완전히 고려하는 유효한 결합 사후 분포를 생성합니다.

MethodMind에서 열기곧 제공동영상곧 제공Download slides

방법 전문 읽기

회원 전용

무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.

로그인

Method map

The neighbourhood of related methods — select a node to explore.

결측치가 있는 MCMC
베이지안 계층 모델결측 데이터가 있는 베이즈 추론깁스 샘플링(Gibbs Sampling)해밀토니안 몬테카를로메트로폴리스-헤이스팅스 알고리즘Multiple Imputation누락 데이터가 있는 근사 베이즈 계산 (Ap…결측값이 있는 베이즈 계층 모델결측치가 있는 깁스 샘플링결측치가 있는 해밀토니안 몬테카를로

+3 more

출처

  1. Little, R. J. A. & Rubin, D. B. (2002). Statistical Analysis with Missing Data (2nd ed.). Wiley. ISBN: 978-0471183860
  2. 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 ↗

이 페이지 인용 방법

ScholarGate. (2026, June 3). Markov Chain Monte Carlo with Missing Data. ScholarGate. https://scholargate.app/ko/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.

Compare side by side →

이 방법을 참조하는 항목

누락 데이터가 있는 근사 베이즈 계산 (Approximate Bayesian Computation with Missing Data)결측값이 있는 베이즈 계층 모델결측 데이터가 있는 베이즈 추론결측치가 있는 깁스 샘플링결측치가 있는 해밀토니안 몬테카를로결측치가 있는 몬테카를로 시뮬레이션결측치가 있는 입자 필터결측 데이터가 있는 변분 추론

이 페이지에서 오류를 발견하셨나요? 신고하거나 수정을 제안하세요 →

ScholarGate — MCMC with missing data (Markov Chain Monte Carlo with Missing Data). 2026-06-15에 다음에서 검색함: https://scholargate.app/ko/bayesian/mcmc-with-missing-data · 데이터셋: https://doi.org/10.5281/zenodo.20539026