Hamiltonian Monte Carlo med saknade data
Hamiltonian Monte Carlo med saknade data utökar den gradientbaserade HMC-samplern för att hantera ofullständiga observationer genom att behandla saknade värden som ytterligare okända parametrar. Posteriorfördelningen över modellparametrar och saknade värden samplas gemensamt i en enda effektiv passning, där gradientinformation utnyttjas för att utforska det högdimensionella gemensamma rummet med betydligt färre avvisade förslag än random-walk MCMC.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Metodkarta
Närområdet av besläktade metoder — välj en nod för att utforska.
Källor
- Neal, R. M. (2011). MCMC using Hamiltonian dynamics. In S. Brooks, A. Gelman, G. Jones & X.-L. Meng (Eds.), Handbook of Markov Chain Monte Carlo (pp. 113-162). CRC Press. ISBN: 978-1420079418
- Gelman, A., Carlin, J. B., Stern, H. S., Dunson, D. B., Vehtari, A. & Rubin, D. B. (2013). Bayesian Data Analysis (3rd ed.). CRC Press. Chapter 18: Missing-data imputation. ISBN: 978-1439840955
Så citerar du den här sidan
ScholarGate. (2026, June 3). Hamiltonian Monte Carlo with Missing Data Imputation. ScholarGate. https://scholargate.app/sv/bayesian/hamiltonian-monte-carlo-with-missing-data
Vilken metod?
Placera den här metoden bredvid sina närmaste släktingar och läs dem sida vid sida — biblioteket lägger fram böckerna på bordet; valet är ditt.
- Bayesiansk inferens med saknade dataBayesiansk statistik↔ jämför
- Gibbs-sampling med saknade dataBayesiansk statistik↔ jämför
- Hamiltonian Monte CarloBayesiansk statistik↔ jämför
- MCMC med saknade dataBayesiansk statistik↔ jämför
- Multipel imputationStatistik↔ jämför
- Variational Inference med saknade dataBayesiansk statistik↔ jämför
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →