MCMC med saknade data
MCMC med saknade data är en Bayesiansk beräkningsstrategi som behandlar oobserverade värden som ytterligare okända parametrar. Genom att alternera mellan att sampla de saknade värdena från deras prediktiva fördelning och att sampla modellparametrarna från deras posterior, producerar algoritmen en giltig gemensam posterior som fullt ut beaktar osäkerheten som introduceras av saknade data.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
+3 more
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Markov Chain Monte Carlo with Missing Data. ScholarGate. https://scholargate.app/sv/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.
- Bayesiansk hierarkisk modellBayesiansk statistik↔ compare
- Bayesiansk inferens med saknade dataBayesiansk statistik↔ compare
- Gibbs samplingBayesiansk statistik↔ compare
- Hamiltonian Monte CarloBayesiansk statistik↔ compare
- Metropolis-Hastings algoritmBayesiansk statistik↔ compare
- Multipel imputationStatistik↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →