MCMC กับข้อมูลที่ขาดหายไป
MCMC กับข้อมูลที่ขาดหายไปเป็นกลยุทธ์การคำนวณแบบเบย์เซียนที่ถือว่าค่าที่ไม่สามารถสังเกตได้เป็นพารามิเตอร์ที่ไม่ทราบค่าเพิ่มเติม โดยการสลับระหว่างการสุ่มค่าที่ขาดหายไปจากการแจกแจงเชิงคาดการณ์ (predictive distribution) และการสุ่มพารามิเตอร์ของแบบจำลองจากการแจกแจงภายหลัง (posterior distribution) อัลกอริทึมจะสร้างการแจกแจงภายหลังร่วม (joint posterior) ที่ถูกต้อง ซึ่งคำนึงถึงความไม่แน่นอนที่เกิดจากข้อมูลที่ขาดหายไปอย่างสมบูรณ์
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
+3 more
แหล่งอ้างอิง
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Markov Chain Monte Carlo with Missing Data. ScholarGate. https://scholargate.app/th/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.
- แบบจำลองลำดับชั้นแบบเบย์ (Bayesian Hierarchical Model)เบย์↔ compare
- การอนุมานแบบเบย์สำหรับข้อมูลที่ขาดหายเบย์↔ compare
- การสุ่มตัวอย่างแบบกิบบส์เบย์↔ compare
- Hamiltonian Monte Carloเบย์↔ compare
- ขั้นตอนวิธีเมโทรโพลิส-เฮสติงส์เบย์↔ compare
- Multiple Imputationสถิติศาสตร์↔ compare