Metropolis-Hastings กับข้อมูลที่ขาดหาย
Metropolis-Hastings กับข้อมูลที่ขาดหาย (Metropolis-Hastings with missing data) จัดการกับค่าที่ไม่ปรากฏให้เป็นตัวแปรแฝง (latent variables) และสุ่มค่าเหล่านั้นร่วมกับพารามิเตอร์ของแบบจำลองภายในลูกโซ่ MCMC เดียวกัน โดยการเพิ่มการกระจายเป้าหมาย (target distribution) ให้ครอบคลุมทั้งพารามิเตอร์และค่าที่ขาดหาย อัลกอริทึมนี้ให้ผลการอนุมานภายหลัง (posterior inference) ที่ปรับเทียบอย่างเหมาะสม โดยไม่ต้องทิ้งกรณีที่ไม่สมบูรณ์หรือต้องใช้ขั้นตอนการแทนค่าแยกต่างหาก
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Metropolis-Hastings Algorithm with Missing Data Augmentation. ScholarGate. https://scholargate.app/th/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.
- การอนุมานแบบเบย์สำหรับข้อมูลที่ขาดหายเบย์↔ compare
- การเพิ่มข้อมูลการเรียนรู้เชิงลึก↔ compare
- Gibbs Sampling with Missing Dataเบย์↔ compare
- Hamiltonian Monte Carlo with Missing Dataเบย์↔ compare
- ขั้นตอนวิธีเมโทรโพลิส-เฮสติงส์เบย์↔ compare
- Multiple Imputationสถิติศาสตร์↔ compare