Метрополис-Гастингс с пропущенными данными
Метод Метрополиса-Гастингса с пропущенными данными рассматривает ненаблюдаемые значения как латентные переменные и осуществляет их выборку совместно с параметрами модели внутри одной цепи MCMC. Дополняя целевое распределение так, чтобы оно включало как параметры, так и пропущенные значения, алгоритм обеспечивает корректную калибровку апостериорного вывода без отбрасывания неполных случаев или необходимости отдельного шага импутации.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
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: 10.2307/2289457 ↗
- 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
Как цитировать эту страницу
ScholarGate. (2026, June 3). Metropolis-Hastings Algorithm with Missing Data Augmentation. ScholarGate. https://scholargate.app/ru/bayesian/metropolis-hastings-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
- Аугментация данныхГлубокое обучение↔ compare
- Сэмплирование Гиббса для пропущенных данныхБайесовские методы↔ compare
- Гамильтоновский Монте-Карло с пропущенными даннымиБайесовские методы↔ compare
- Алгоритм МетрополисаБайесовские методы↔ compare
- Множественная импутацияСтатистика↔ compare
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →