Байесовское усреднение моделей с пропущенными данными
Байесовское усреднение моделей с пропущенными данными (BMA-MD) одновременно учитывает два источника неопределенности: какая модель лучше всего описывает данные, и каковы ненаблюдаемые значения. Вместо выбора одного импутированного набора данных и одной модели, подход усредняет предсказания по всему пространству кандидатных моделей и правдоподобных завершений пропущенных значений, распространяя оба источника неопределенности на каждую оценку и предсказание.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- Hoeting, J. A., Madigan, D., Raftery, A. E. & Volinsky, C. T. (1999). Bayesian model averaging: A tutorial. Statistical Science, 14(4), 382-417. link ↗
- Rubin, D. B. (1987). Multiple Imputation for Nonresponse in Surveys. John Wiley & Sons, New York. ISBN: 978-0471655749
Как цитировать эту страницу
ScholarGate. (2026, June 3). Bayesian Model Averaging with Missing Data. ScholarGate. https://scholargate.app/ru/bayesian/bayesian-model-averaging-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.
- Approximate Bayesian Computation with Missing DataБайесовские методы↔ compare
- Байесовская иерархическая модель с пропущенными даннымиБайесовские методы↔ compare
- Байесовский вывод при наличии пропущенных данныхБайесовские методы↔ compare
- Байесовское усреднение моделейБайесовские методы↔ compare
- Множественная импутацияСтатистика↔ compare
- Последовательный метод Монте-Карло с пропущенными даннымиБайесовские методы↔ compare
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →