MCMC z brakującymi danymi
MCMC z brakującymi danymi to bayesowska strategia obliczeniowa, która traktuje nieobserwowane wartości jako dodatkowe nieznane parametry. Poprzez naprzemienne próbkowanie brakujących wartości z ich rozkładu predykcyjnego i próbkowanie parametrów modelu z ich rozkładu a posteriori, algorytm generuje poprawny wspólny rozkład a posteriori, który w pełni uwzględnia niepewność wprowadzoną przez brakujące dane.
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.
+3 more
Źródła
- Little, R. J. A. & Rubin, D. B. (2002). Statistical Analysis with Missing Data (2nd ed.). Wiley. ISBN: 978-0471183860
- 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: 10.1080/01621459.1987.10478458 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Markov Chain Monte Carlo with Missing Data. ScholarGate. https://scholargate.app/pl/bayesian/mcmc-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.
- Modelowanie hierarchiczne bayesowskieStatystyka bayesowska↔ compare
- Bayesowska inferencja przy brakujących danychStatystyka bayesowska↔ compare
- Próbkowanie GibbsaStatystyka bayesowska↔ compare
- Hamiltonian Monte CarloStatystyka bayesowska↔ compare
- Algorytm Metropolisa-HastingsaStatystyka bayesowska↔ compare
- Uzupełnianie wielokrotneStatystyka↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →