Sekwencyjne metody Monte Carlo z brakującymi danymi
Sekwencyjne metody Monte Carlo (SMC) z brakującymi danymi rozszerzają standardowy filtr cząsteczkowy na modele przestrzeni stanów, w których niektóre obserwacje są nieobecne. Gdy obserwacja jest brakująca w danym kroku czasowym, krok aktualizacji jest po prostu pomijany: cząsteczki są propagowane naprzód przez model przejścia bez ważenia, zachowując dokładną wnioskowanie bayesowskie dla dowolnego wzorca brakujących danych, pod warunkiem, że brak jest ignorowalny (brak w losowym lub brak całkowicie w losowym).
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
- Doucet, A., de Freitas, N., & Gordon, N. (Eds.) (2001). Sequential Monte Carlo Methods in Practice. Springer, New York. ISBN: 978-0387951461
- Chopin, N., & Papaspiliopoulos, O. (2020). An Introduction to Sequential Monte Carlo. Springer, Cham. DOI: 10.1007/978-3-030-47845-2 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Sequential Monte Carlo with Missing Data. ScholarGate. https://scholargate.app/pl/bayesian/sequential-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
- Dynamic Sequential Monte CarloStatystyka bayesowska↔ compare
- Próbkowanie Gibbsa z brakującymi danymiStatystyka bayesowska↔ compare
- Filtr Kalmana z brakującymi danymiStatystyka bayesowska↔ compare
- Filtr cząsteczkowy (Sekwencyjny Monte Carlo)Statystyka bayesowska↔ compare
- Sekwencyjne metody Monte CarloStatystyka bayesowska↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →