Monte Carlo-simulering med saknade data
Monte Carlo-simulering med saknade data kombinerar stokastisk simulering – att dra slumpmässiga värden från sannolikhetsfördelningar – med principiella strategier för saknade data, såsom multipel imputering. Istället för att kassera ofullständiga register eller ersätta med ett enda ifyllnadsvärde, genererar metoden många simulerade kompletta datamängder, kör målanalysen på var och en och slår samman resultaten för att ge estimat som ärligt återspeglar både samplingsosäkerhet och osäkerhet på grund 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.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Monte Carlo Simulation with Missing Data Handling. ScholarGate. https://scholargate.app/sv/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.
- Bayesiansk inferens med saknade dataBayesiansk statistik↔ compare
- Bootstrap-simulering med saknade dataBayesiansk statistik↔ compare
- Gibbs-sampling med saknade dataBayesiansk statistik↔ compare
- MCMC med saknade dataBayesiansk statistik↔ compare
- Multipel imputationStatistik↔ compare
- Sekventiell Monte CarloBayesiansk statistik↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →