Байесовская иерархическая модель с пропущенными данными
Байесовская иерархическая модель с пропущенными данными рассматривает ненаблюдаемые значения как дополнительные неизвестные и извлекает их выборку совместно со всеми параметрами модели из апостериорного распределения. Вложенная структура иерархии заимствует информацию между группами, в то время как байесовский подход естественным образом распространяет неопределенность от пропущенных данных на каждую оценку и прогноз.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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
- Little, R. J. A. & Rubin, D. B. (2002). Statistical Analysis with Missing Data (2nd ed.). Wiley. ISBN: 978-0471183860
Как цитировать эту страницу
ScholarGate. (2026, June 3). Bayesian Hierarchical Model with Missing Data Imputation. ScholarGate. https://scholargate.app/ru/bayesian/bayesian-hierarchical-model-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.
- Байесовский вывод при наличии пропущенных данныхБайесовские методы↔ compare
- Сэмплирование Гиббса для пропущенных данныхБайесовские методы↔ compare
- Иерархический байесовский выводБайесовские методы↔ compare
- MCMC с пропущенными даннымиБайесовские методы↔ compare
- Многоуровневое байесовское моделированиеБайесовские методы↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →