Metropolis-Hastings ar trūkstošiem datiem
Metropolis-Hastings ar trūkstošiem datiem aplūko neuztvērtās vērtības kā latentas (slēptas) mainīgās un tās izlases veidā nosaka kopā ar modeļa parametriem vienā MCMC ķēdē. Papildinot mērķa sadalījumu, lai iekļautu gan parametrus, gan trūkstošās vērtības, algoritms nodrošina pareizi kalibrētu aizmugures (posterioras) secinājumu izdarīšanu, neizmetot nepilnīgus gadījumus un neprasot atsevišķu imputācijas soli.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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
Kā citēt šo lapu
ScholarGate. (2026, June 3). Metropolis-Hastings Algorithm with Missing Data Augmentation. ScholarGate. https://scholargate.app/lv/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.
- Beijiešu secinājumi ar trūkstošiem datiemBajesa metodes↔ compare
- Datu paplašināšanaDziļā mācīšanās↔ compare
- Gibsa paraugu ņemšana ar trūkstošiem datiemBajesa metodes↔ compare
- Hamiltonian Monte Carlo ar trūkstošiem datiemBajesa metodes↔ compare
- Metropolis-Hastings algoritmsBajesa metodes↔ compare
- Daudzveida imputācijaStatistika↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →