Metropolis-Hastings med manglende data
Metropolis-Hastings med manglende data behandler uobserverte verdier som latente variabler og sampler dem samlet med modellparametere inne i en enkelt MCMC-kjede. Ved å utvide måldistribusjonen til å inkludere både parametere og manglende verdier, gir algoritmen korrekt kalibrert posterior inferens uten å forkaste ufullstendige tilfeller eller kreve et separat imputeringstrinn.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Metodekart
Nabolaget av beslektede metoder — velg en node for å utforske.
Kilder
- 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
Slik siterer du denne siden
ScholarGate. (2026, June 3). Metropolis-Hastings Algorithm with Missing Data Augmentation. ScholarGate. https://scholargate.app/no/bayesian/metropolis-hastings-with-missing-data
Hvilken metode?
Sett denne metoden ved siden av sin nærmeste slektning og les dem side om side — biblioteket legger bøkene på bordet; valget er ditt.
- Bayesiansk inferens med manglende dataBayesiansk↔ sammenlign
- Data AugmentationDyp læring↔ sammenlign
- Gibbs-sampling med manglende dataBayesiansk↔ sammenlign
- Hamiltonian Monte Carlo med manglende dataBayesiansk↔ sammenlign
- Metropolis-Hastings-algoritmenBayesiansk↔ sammenlign
- Multippel imputasjonStatistikk↔ sammenlign
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →