Hamiltonian Monte Carlo met ontbrekende data
Hamiltonian Monte Carlo met ontbrekende data breidt de gradiënt-gebaseerde HMC-sampler uit om onvolledige observaties te verwerken door ontbrekende waarden te behandelen als aanvullende onbekende parameters. De posterior over modelparameters en ontbrekende waarden wordt gezamenlijk gesampled in één efficiënte pass, waarbij gradiëntinformatie wordt benut om de hoog-dimensionale gezamenlijke ruimte te verkennen met veel minder afgewezen voorstellen dan random-walk MCMC.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Methodenkaart
De omgeving van verwante methoden — selecteer een knooppunt om te verkennen.
Bronnen
- 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
Deze pagina citeren
ScholarGate. (2026, June 3). Hamiltonian Monte Carlo with Missing Data Imputation. ScholarGate. https://scholargate.app/nl/bayesian/hamiltonian-monte-carlo-with-missing-data
Welke methode?
Plaats deze methode naast haar naaste verwanten en lees ze naast elkaar — de bibliotheek legt de boeken op tafel; de keuze is aan u.
- Bayesiaanse inferentie met ontbrekende gegevensBayesiaanse statistiek↔ vergelijken
- Gibbs-sampling met ontbrekende dataBayesiaanse statistiek↔ vergelijken
- Hamiltonian Monte CarloBayesiaanse statistiek↔ vergelijken
- MCMC met ontbrekende dataBayesiaanse statistiek↔ vergelijken
- Multiple ImputationStatistiek↔ vergelijken
- Variational Inference met Ontbrekende DataBayesiaanse statistiek↔ vergelijken
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →