MCMC с пропущенными данными
MCMC с пропущенными данными — это байесовская вычислительная стратегия, которая рассматривает ненаблюдаемые значения как дополнительные неизвестные параметры. Чередуя выборку пропущенных значений из их предиктивного распределения и выборку параметров модели из их апостериорного распределения, алгоритм генерирует корректное совместное апостериорное распределение, полностью учитывающее неопределенность, привнесенную пропущенными данными.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
+3 more
Источники
- Little, R. J. A. & Rubin, D. B. (2002). Statistical Analysis with Missing Data (2nd ed.). Wiley. ISBN: 978-0471183860
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Markov Chain Monte Carlo with Missing Data. ScholarGate. https://scholargate.app/ru/bayesian/mcmc-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 модельБайесовские методы↔ compare
- Байесовский вывод при наличии пропущенных данныхБайесовские методы↔ compare
- Сэмплирование по ГиббсуБайесовские методы↔ compare
- Гамильтонов Монте-КарлоБайесовские методы↔ compare
- Алгоритм МетрополисаБайесовские методы↔ compare
- Множественная импутацияСтатистика↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →