Sequentiële Monte Carlo met Ontbrekende Data
Sequentiële Monte Carlo (SMC) met ontbrekende data breidt het standaard deeltjesfilter uit naar toestandsruimtemodellen waarin sommige observaties afwezig zijn. Wanneer een observatie ontbreekt in een bepaalde tijdstap, wordt de update-stap eenvoudigweg overgeslagen: deeltjes worden voorwaarts voortgeplant via het transitiemodel zonder herweging, waardoor exacte Bayesiaanse inferentie behouden blijft onder elk patroon van ontbrekende data, zolang het ontbreken negeerbaar is (missing at random of missing completely at random).
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
- Doucet, A., de Freitas, N., & Gordon, N. (Eds.) (2001). Sequential Monte Carlo Methods in Practice. Springer, New York. ISBN: 978-0387951461
- Chopin, N., & Papaspiliopoulos, O. (2020). An Introduction to Sequential Monte Carlo. Springer, Cham. DOI: 10.1007/978-3-030-47845-2 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Sequential Monte Carlo with Missing Data. ScholarGate. https://scholargate.app/nl/bayesian/sequential-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.
- Bayesiaanse inferentie met ontbrekende gegevensBayesiaanse statistiek↔ compare
- Dynamische Sequentiële Monte CarloBayesiaanse statistiek↔ compare
- Gibbs-sampling met ontbrekende dataBayesiaanse statistiek↔ compare
- Kalmanfilter met ontbrekende dataBayesiaanse statistiek↔ compare
- Deeltjesfilter (Sequentiële Monte Carlo)Bayesiaanse statistiek↔ compare
- Sequentiële Monte CarloBayesiaanse statistiek↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →