Hamiltonian Monte Carlo dengan Data Hilang
Hamiltonian Monte Carlo dengan data hilang melanjutkan pensampel HMC berasaskan kecerunan untuk mengendalikan pemerhatian yang tidak lengkap dengan melayan nilai yang hilang sebagai parameter tambahan yang tidak diketahui. Posterior ke atas parameter model dan nilai yang hilang disampel bersama dalam satu laluan yang cekap, memanfaatkan maklumat kecerunan untuk meneroka ruang gabungan berdimensi tinggi dengan cadangan yang ditolak jauh lebih sedikit berbanding MCMC lantunan rawak.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- Neal, R. M. (2011). MCMC using Hamiltonian dynamics. In S. Brooks, A. Gelman, G. Jones & X.-L. Meng (Eds.), Handbook of Markov Chain Monte Carlo (pp. 113-162). CRC Press. ISBN: 978-1420079418
- Gelman, A., Carlin, J. B., Stern, H. S., Dunson, D. B., Vehtari, A. & Rubin, D. B. (2013). Bayesian Data Analysis (3rd ed.). CRC Press. Chapter 18: Missing-data imputation. ISBN: 978-1439840955
Cara memetik halaman ini
ScholarGate. (2026, June 3). Hamiltonian Monte Carlo with Missing Data Imputation. ScholarGate. https://scholargate.app/ms/bayesian/hamiltonian-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.
- Inferens Bayesian dengan Data HilangBayesian↔ compare
- Pensampelan Gibbs dengan Data HilangBayesian↔ compare
- Hamiltonian Monte CarloBayesian↔ compare
- MCMC dengan Data HilangBayesian↔ compare
- Imputasi BergandaStatistik↔ compare
- Inferensi Variasi dengan Data HilangBayesian↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →