Сэмплирование Гиббса для пропущенных данных
Сэмплирование Гиббса для пропущенных данных рассматривает ненаблюдаемые значения как дополнительные неизвестные наряду с параметрами модели и совместно сэмплирует их в рамках цикла Монте-Карло по Марковской цепи. Метод чередует выборку пропущенных значений из их условного распределения при заданных параметрах и выборку параметров из их условного распределения при заданных полных данных, одновременно формируя апостериорное распределение для обоих.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
+2 more
Источники
- 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: 10.1080/01621459.1987.10478458 ↗
- 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). Gibbs Sampling with Missing Data Imputation. ScholarGate. https://scholargate.app/ru/bayesian/gibbs-sampling-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.
- Байесовская иерархическая модель с пропущенными даннымиБайесовские методы↔ compare
- Байесовский вывод при наличии пропущенных данныхБайесовские методы↔ compare
- Аугментация данныхГлубокое обучение↔ compare
- Сэмплирование по ГиббсуБайесовские методы↔ compare
- MCMC с пропущенными даннымиБайесовские методы↔ compare
- Множественная импутацияСтатистика↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →