การจำลองแบบมอนติคาร์โลกับข้อมูลที่ขาดหาย
การจำลองแบบมอนติคาร์โลกับข้อมูลที่ขาดหายเป็นการผสมผสานการจำลองแบบสุ่ม — การสุ่มค่าจากความน่าจะเป็น — เข้ากับกลยุทธ์การจัดการข้อมูลที่ขาดหายอย่างมีหลักการ เช่น การแทนค่าหลายครั้ง แทนที่จะทิ้งระเบียนที่ไม่สมบูรณ์หรือแทนที่ด้วยค่าเดียว วิธีการนี้จะสร้างชุดข้อมูลที่สมบูรณ์จำลองขึ้นมาหลายชุด วิเคราะห์เป้าหมายบนแต่ละชุด และรวบรวมผลลัพธ์เพื่อให้ได้ค่าประมาณที่สะท้อนความไม่แน่นอนจากการสุ่มตัวอย่างและความไม่แน่นอนอันเนื่องมาจากข้อมูลที่ขาดหายอย่างแท้จริง
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Monte Carlo Simulation with Missing Data Handling. ScholarGate. https://scholargate.app/th/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.
- การอนุมานแบบเบย์สำหรับข้อมูลที่ขาดหายเบย์↔ compare
- การจำลองแบบบูตสแตรปกับข้อมูลที่ขาดหายไปเบย์↔ compare
- Gibbs Sampling with Missing Dataเบย์↔ compare
- MCMC กับข้อมูลที่ขาดหายไปเบย์↔ compare
- Multiple Imputationสถิติศาสตร์↔ compare
- Sequential Monte Carloเบย์↔ compare