Eksik Veri ile Bayesci Çıkarım
Bayesian Inference with Missing Data · Ayrıca şöyle bilinir: Bayesian missing data analysis, Bayesian data augmentation, Bayesian imputation, missing data Bayesian model
Eksik verilerle Bayesci çıkarım, gözlemlenmemiş değerleri bilinmeyen parametreler olarak ele alır ve bunları sonsal dağılımdan entegre eder. Eksik kayıtları silmek veya rastgele atamak yerine, yöntem gözlemlenen ve eksik verileri açık bir eksik veri mekanizması altında ortaklaşa modeller, tam olarak kalibre edilmiş sonsal belirsizlik üreterek verilerin bize ne söyleyemeyeceğini dürüstçe yansıtır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+6 tane daha
Ne zaman kullanılır
Eksik verilerle Bayesci çıkarımı, eksik kayıtlar önemli bir yanlılık indüklemeden atılamadığında, bir MAR veya MNAR mekanizmasının modellenmesi ve gerekçelendirilmesi gerektiğinde veya eksiklikten kaynaklanan belirsizliğin tek bir atanan veri kümesi tarafından bastırılmak yerine sonraki çıkarımlara tam olarak yayılması gerektiğinde kullanın. Özellikle uzunlamasına çalışmalar, klinik denemeler ve sistematik bırakma oranları olan anketlerde değerlidir. Eksikliğin gerçekten MCAR olduğu ve oranın ihmal edilebilir olduğu durumlarda (tam vaka analizi o zaman yanlılıktan uzaktır ve daha basittir), eksik veri modeli herhangi bir güvenilirlikle belirtilemediğinde veya hesaplama kaynakları büyük veri kümelerinde tam MCMC çalıştırmalarına izin vermediğinde bundan kaçının.
Güçlü yönler & sınırlılıklar
- Eksiklik belirsizliğini, ilkeli marjinalleştirme yoluyla tüm parametre tahminlerine ve tahminlere yayar.
- MAR ve MNAR mekanizmalarını tek bir tutarlı model içinde açıkça ele alır.
- Listwise silme veya tek deterministik atama tarafından tanıtılan yanlılıktan kaçınır.
- Sonsal dağılımlar tam olarak kalibre edilmiştir ve kısmi gözlem altında bile dürüst güven aralıkları sağlar.
- Gözlemlenen veriler eksiklikten sonra seyrek olduğunda tahminleri stabilize etmek için bilgilendirici önsel bilgiler dahil edebilir.
- Gözlemlenen ve eksik verilerin ortak dağılımı için güvenilir bir model gerektirir, bu da doğru bir şekilde belirtilmesi zor olabilir.
- MNAR altında eksiklik mekanizmasının kendisi modellenmelidir ve sonuçlar doğrulanamayan varsayımlara duyarlı olabilir.
- Hesaplama açısından talepkar: parametreler ve eksik veriler üzerindeki ortak sonsal dağılımı örneklemek, eksik verilerin hacmiyle kötü ölçeklenir.
- Yakınsama tanıdıkları daha karmaşıktır çünkü örnekleyici, gizli eksik değerleri içeren daha yüksek boyutlu bir alanı keşfeder.
SSS
Bayesci atama çoklu atamadan (MI) nasıl farklıdır?
Çoklu atama, birkaç tamamlanmış veri kümesini ayrı ayrı çeker ve her birini analiz eder, sonuçları Rubin kurallarıyla birleştirir — iki aşamalı bir yaklaşımdır. Eksik verilerle Bayesci çıkarım, atama ve tahmini tek bir MCMC algoritmasında entegre eder, bu nedenle belirsizlik yayılımı model içinde kesindir ve birleştirme kurallarına gerek yoktur. Bayesci yaklaşım daha tutarlıdır ancak ayrı bir atama modeli ve analiz modeli yerine tek bir ortak modelin uyumunu gerektirir.
Eksik veri mekanizması MNAR olduğunda bu yaklaşımı kullanabilir miyim?
Evet, ancak eksiklik mekanizmasının kendisi için bir model belirtmeli ve uyarlamalısınız, eksik olma olasılığını gözlemlenmemiş değerlere bağlayarak. MNAR varsayımları yalnızca gözlemlenen verilerden test edilemez olduğundan, makul MNAR modelleri üzerinde duyarlılık analizi esastır. Mekanizmayı göz ardı edip sonuçların sağlam olmasını ummak MNAR altında kabul edilebilir değildir.
Ortak sonsal dağılımı örneklemek için tipik olarak hangi algoritma kullanılır?
Veri artırma (Tanner ve Wong 1987), eksik değerleri atama ile parametreleri örnekleme arasında gidip gelen klasik yaklaşımdır. Modern olasılıksal programlama sistemlerinde (Stan, PyMC, BUGS) Hamilton Monte Carlo veya Gibbs örneklemesi, eksik veri modeli modelin bir parçası olarak beyan edildiğinde artırılmış parametre alanını otomatik olarak ele alır.
Örnekleyici eksik değerleri içerdiğinde MCMC'min yakınsadığını nasıl değerlendiririm?
Birincil ilgi alanındaki model parametreleri ve atanmış değerlerin temsili bir örneği için R-hat ve etkili örneklem boyutunu izleyin. Atanan değişkenler için izleme grafikleri iyi karışım göstermelidir. Eksik veri oranı yüksekse, etkili örneklem boyutu keskin bir şekilde düşebilir, bu da daha uzun zincirler gerektirir.
Eksik verilerle Bayesci çıkarım büyük veri kümeleri için uygun mudur?
Tüm eksik değerleri içeren ortak sonsal dağılım üzerindeki tam MCMC, yüksek eksiklik oranlarına sahip büyük veri kümeleri için aşırı derecede yavaş olabilir. Varyasyonel çıkarım veya amortize edilmiş yaklaşımlar maliyeti azaltabilir, ancak sonsal varyansı hafife alabilir. Çok büyük problemler için, çoklu atama ardından analiz, genellikle pragmatik bir uzlaşmadır.
Kaynaklar
- Little, R. J. A. & Rubin, D. B. (2002). Statistical Analysis with Missing Data (2nd ed.). Wiley-Interscience. ISBN: 978-0471183860
- 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
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Bayesian Inference with Missing Data. ScholarGate. https://scholargate.app/tr/bayesian/bayesian-inference-with-missing-data
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Eksik Veri ile Yaklaşık Bayesci HesaplamaBayesçi↔ karşılaştır
- Eksik Verili Bayesyen Hiyerarşik ModelBayesçi↔ karşılaştır
- Bayes RegresyonuBayesçi↔ karşılaştır
- Gibbs ÖrneklemesiBayesçi↔ karşılaştır
- Hiyerarşik Bayesci ÇıkarımBayesçi↔ karşılaştır
- Eksik Veri ile MCMCBayesçi↔ karşılaştır