Metropolis-Hastings dengan Data Hilang
Metropolis-Hastings dengan data hilang menganggap nilai yang tidak diperhatikan sebagai pembolehubah laten dan mengambil sampelnya bersama parameter model di dalam satu rantai MCMC. Dengan menambahkan taburan sasaran untuk merangkumi kedua-dua parameter dan nilai yang hilang, algoritma menghasilkan inferens posterior yang dikalibrasi dengan betul tanpa membuang kes yang tidak lengkap atau memerlukan langkah imputasi berasingan.
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
- 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
Cara memetik halaman ini
ScholarGate. (2026, June 3). Metropolis-Hastings Algorithm with Missing Data Augmentation. ScholarGate. https://scholargate.app/ms/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.
- Inferens Bayesian dengan Data HilangBayesian↔ compare
- Tatatanda DataPembelajaran Mendalam↔ compare
- Pensampelan Gibbs dengan Data HilangBayesian↔ compare
- Hamiltonian Monte Carlo dengan Data HilangBayesian↔ compare
- Algoritma Metropolis-HastingsBayesian↔ compare
- Imputasi BergandaStatistik↔ compare
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →