Hamiltonian Monte Carlo z brakującymi danymi
Hamiltonian Monte Carlo z brakującymi danymi rozszerza HMC oparty na gradiencie na przypadek niekompletnych obserwacji poprzez traktowanie brakujących wartości jako dodatkowych nieznanych parametrów. Rozkład aposteriorny parametrów modelu i brakujących wartości jest próbkowany łącznie w jednej, wydajnej iteracji, wykorzystując informację o gradiencie do eksploracji wysokowymiarowej przestrzeni łącznej z znacznie mniejszą liczbą odrzuconych propozycji niż w przypadku MCMC z łańcuchem typu random-walk.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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
Jak cytować tę stronę
ScholarGate. (2026, June 3). Hamiltonian Monte Carlo with Missing Data Imputation. ScholarGate. https://scholargate.app/pl/bayesian/hamiltonian-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.
- Bayesowska inferencja przy brakujących danychStatystyka bayesowska↔ compare
- Próbkowanie Gibbsa z brakującymi danymiStatystyka bayesowska↔ compare
- Hamiltonian Monte CarloStatystyka bayesowska↔ compare
- MCMC z brakującymi danymiStatystyka bayesowska↔ compare
- Uzupełnianie wielokrotneStatystyka↔ compare
- Wariacyjna inferencja z brakującymi danymiStatystyka bayesowska↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →