Metropolis-Hastings met ontbrekende gegevens
Metropolis-Hastings met ontbrekende gegevens behandelt onwaargenomen waarden als latente variabelen en bemonstert deze gezamenlijk met modelparameters binnen één enkele MCMC-keten. Door de doelverdeling uit te breiden met zowel parameters als ontbrekende waarden, levert het algoritme correct gekalibreerde posterieure inferentie op zonder onvolledige gevallen te negeren of een afzonderlijke imputatiestap te vereisen.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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
Deze pagina citeren
ScholarGate. (2026, June 3). Metropolis-Hastings Algorithm with Missing Data Augmentation. ScholarGate. https://scholargate.app/nl/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.
- Bayesiaanse inferentie met ontbrekende gegevensBayesiaanse statistiek↔ compare
- Data-augmentatieDeep learning↔ compare
- Gibbs-sampling met ontbrekende dataBayesiaanse statistiek↔ compare
- Hamiltonian Monte Carlo met ontbrekende dataBayesiaanse statistiek↔ compare
- Metropolis-Hastings AlgoritmeBayesiaanse statistiek↔ compare
- Multiple ImputationStatistiek↔ compare
Een fout op deze pagina gezien? Meld het of stel een correctie voor →