Metropolis-Hastings sa nedostajućim podacima
Metropolis-Hastings sa nedostajućim podacima tretira neopažene vrednosti kao latentne promenljive i uzorkuje ih zajedno sa parametrima modela unutar jednog MCMC lanca. Augmentacijom ciljne distribucije tako da uključi i parametre i nedostajuće vrednosti, algoritam daje pravilno kalibrisane posteriorne zaključke bez odbacivanja nepotpunih slučajeva ili zahtevanja zasebnog koraka imputacije.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Metropolis-Hastings Algorithm with Missing Data Augmentation. ScholarGate. https://scholargate.app/sr/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.
- Bejzovsko inferisanje sa nedostajućim podacimaBajesovska statistika↔ compare
- Аугментација податакаDuboko učenje↔ compare
- Gibbs Sampling sa nedostajućim podacimaBajesovska statistika↔ compare
- Hamiltonian Monte Carlo sa nedostajućim podacimaBajesovska statistika↔ compare
- Metropolis-Hastings algoritamBajesovska statistika↔ compare
- Višestruka imputacijaStatistika↔ compare
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →