Metropolis-Hastings z brakującymi danymi
Metropolis-Hastings z brakującymi danymi traktuje nieobserwowane wartości jako zmienne ukryte i próbkuje je łącznie z parametrami modelu w ramach pojedynczego łańcucha MCMC. Rozszerzając rozkład docelowy o parametry i brakujące wartości, algorytm zapewnia prawidłowo skalibrowaną wnioskowanie a posteriori bez odrzucania niekompletnych przypadków ani potrzeby oddzielnego kroku imputacji.
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
- 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
Jak cytować tę stronę
ScholarGate. (2026, June 3). Metropolis-Hastings Algorithm with Missing Data Augmentation. ScholarGate. https://scholargate.app/pl/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.
- Bayesowska inferencja przy brakujących danychStatystyka bayesowska↔ compare
- Augmentacja danychUczenie głębokie↔ compare
- Próbkowanie Gibbsa z brakującymi danymiStatystyka bayesowska↔ compare
- Hamiltonian Monte Carlo z brakującymi danymiStatystyka bayesowska↔ compare
- Algorytm Metropolisa-HastingsaStatystyka bayesowska↔ compare
- Uzupełnianie wielokrotneStatystyka↔ compare
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →