Symulacja metodą Monte Carlo z brakującymi danymi
Symulacja metodą Monte Carlo z brakującymi danymi łączy symulację stochastyczną — losowanie wartości z rozkładów prawdopodobieństwa — z zasadniczymi strategiami postępowania z brakującymi danymi, takimi jak wielokrotna imputacja. Zamiast odrzucać niekompletne rekordy lub zastępować je pojedynczą wartością uzupełniającą, metoda generuje wiele symulowanych kompletnych zbiorów danych, przeprowadza na każdym z nich docelową analizę i agreguje wyniki, aby uzyskać oszacowania, które rzetelnie odzwierciedlają zarówno niepewność próbkowania, jak i niepewność wynikającą z braków danych.
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
- Little, R. J. A. & Rubin, D. B. (2002). Statistical Analysis with Missing Data (2nd ed.). Wiley. ISBN: 978-0471183860
- van Buuren, S. (2018). Flexible Imputation of Missing Data (2nd ed.). CRC Press / Chapman & Hall. link ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Monte Carlo Simulation with Missing Data Handling. ScholarGate. https://scholargate.app/pl/bayesian/monte-carlo-simulation-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
- Symulacja bootstrapowa z brakującymi danymiStatystyka bayesowska↔ compare
- Próbkowanie Gibbsa z brakującymi danymiStatystyka bayesowska↔ compare
- MCMC z brakującymi danymiStatystyka bayesowska↔ compare
- Uzupełnianie wielokrotneStatystyka↔ compare
- Sekwencyjne metody Monte CarloStatystyka bayesowska↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →