MCMC dengan Data Hilang
MCMC dengan data hilang ialah strategi pengiraan Bayesian yang menganggap nilai tidak tercerap sebagai parameter tidak diketahui tambahan. Dengan berselang-seli antara pensampelan nilai hilang daripada taburan prediktifnya dan pensampelan parameter model daripada posteriornya, algoritma ini menghasilkan posterior tercantum sah yang mengambil kira sepenuhnya ketidakpastian yang diperkenalkan oleh kehilangan data.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
+3 more
Sumber
- 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 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Markov Chain Monte Carlo with Missing Data. ScholarGate. https://scholargate.app/ms/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.
- Model Hierarki BayesianBayesian↔ compare
- Inferens Bayesian dengan Data HilangBayesian↔ compare
- Sampel GibbsBayesian↔ compare
- Hamiltonian Monte CarloBayesian↔ compare
- Algoritma Metropolis-HastingsBayesian↔ compare
- Imputasi BergandaStatistik↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →