Метод Монте-Карло для данных с пропусками
Метод Монте-Карло для данных с пропусками сочетает стохастическое моделирование — выбор случайных значений из вероятностных распределений — с принципиальными стратегиями обработки пропущенных данных, такими как множественная импутация. Вместо того чтобы отбрасывать неполные записи или подставлять одно значение-заполнитель, метод генерирует множество симулированных полных наборов данных, выполняет целевой анализ для каждого и объединяет результаты для получения оценок, которые честно отражают как неопределенность выборки, так и неопределенность, связанную с пропусками.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- Little, R. J. A. & Rubin, D. B. (2002). Statistical Analysis with Missing Data (2nd ed.). Wiley. ISBN: 978-0471183860
- van Buuren, S. (2018). Flexible Imputation of Missing Data (2nd ed.). CRC Press / Chapman & Hall. link ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Monte Carlo Simulation with Missing Data Handling. ScholarGate. https://scholargate.app/ru/bayesian/monte-carlo-simulation-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
- Бутстреп-симуляция при наличии пропущенных данныхБайесовские методы↔ compare
- Сэмплирование Гиббса для пропущенных данныхБайесовские методы↔ compare
- MCMC с пропущенными даннымиБайесовские методы↔ compare
- Множественная импутацияСтатистика↔ compare
- Последовательный Монте-КарлоБайесовские методы↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →