MCMC ar trūkstošiem datiem
MCMC ar trūkstošiem datiem ir Bajesiešu skaitļošanas stratēģija, kas neobservētās vērtības uzskata par papildu nezināmiem parametriem. Mainoties starp trūkstošo vērtību izlasi no to prediktīvā sadalījuma un modeļa parametru izlasi no to a posteriori sadalījuma, algoritms rada derīgu kopīgu a posteriori sadalījumu, kas pilnībā ņem vērā trūkstošo datu radīto nenoteiktību.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
+3 more
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Markov Chain Monte Carlo with Missing Data. ScholarGate. https://scholargate.app/lv/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.
- Bayesiskā hierarhiskā modelēšanaBajesa metodes↔ compare
- Beijiešu secinājumi ar trūkstošiem datiemBajesa metodes↔ compare
- Gibbs SamplingBajesa metodes↔ compare
- Hamiltona MontekarloBajesa metodes↔ compare
- Metropolis-Hastings algoritmsBajesa metodes↔ compare
- Daudzveida imputācijaStatistika↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →