Eksik Veri ile Bayesçi Model Ortalaması
Bayesian Model Averaging with Missing Data · Ayrıca şöyle bilinir: BMA with missing data, Bayesian model averaging under missingness, BMA-MI, model-averaged imputation
Eksik veri ile Bayesçi Model Ortalaması (BMA-MD), belirsizliğin iki kaynağını eş zamanlı olarak ele alır: veriyi en iyi hangi modelin tanımladığı ve gözlemlenmemiş değerlerin ne olduğudur. Tek bir atfedilmiş veri kümesi ve tek bir model seçmek yerine, bu yaklaşım aday modellerin tam uzayı ve eksik değerlerin makul tamamlamaları üzerinden tahminleri ortalayarak, her iki belirsizlik kaynağını her tahmine ve öngörüye yayar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Önemli sayıda aday modeliniz veya değişken alt kümeniz olduğunda ve veri kümeniz kısmen gözlemlenmiş değişkenlere sahip olduğunda ve hem model belirsizliğini hem de eksiklik belirsizliğini çıkarıma dürüstçe yaymak istediğinizde eksik verilerle BMA kullanın. Özellikle tek bir modelin açıkça doğru olmadığı keşifsel veya değişken seçimi ortamlarında değerlidir. Eksiklik mekanizmasının MNAR olduğu ve bu mekanizmayı açıkça modelleyemediğiniz durumlarda kullanmayın; model uzayı doğal sayım olmadan devasa olduğunda; veya hesaplama bütçesi birçok modelde uyum ve atıf yapmayı engellediğinde. Tamamen onaylayıcı analizler için önceden belirlenmiş bir modelle, standart çoklu atıf tek başına yeterli olabilir.
Güçlü yönler & sınırlılıklar
- Her posterior özette hem model seçimi belirsizliğini hem de eksik veri belirsizliğini yayar, çift güvenli yanlış kesinliği önler.
- Tek model analizinden daha iyi kalibre edilmiş tahminler üretir, özellikle tek bir modelin baskın olmadığı durumlarda.
- Hem model makullüğü hem de atıf modeli üzerindeki önsel bilgiyi doğal olarak içerir.
- Yanlış pozitif oranlarını şişirebilen rastgele değişken seçimi kararlarından kaçınır.
- Posterior model olasılıkları, farklı model yapıları için kanıtların yorumlanabilir bir özetini sağlar.
- Hesaplama açısından pahalıdır: potansiyel olarak birçok aday modelde uyum ve atıf gerektirir.
- Posterior model olasılıkları, önsel model olasılıklarına ve her modeldeki parametreler üzerindeki önsele duyarlı olabilir.
- Model uzayı sayılabilir olmadığında (örneğin, çok yüksek boyutlu öngörücüler), yalnızca Occam'ın Penceresi veya MC3 gibi yaklaşımlar kullanılabilir.
- Eksiklik mekanizması açıkça modellenmediği sürece MAR varsayar, bu da tek başına veriden doğrulanamaz.
- Farklı değişken kümelerine sahip modeller arasındaki ortalama katsayıları yorumlamak dikkat gerektirir, çünkü bir katsayı değişkeni dışlayan modellerde sıfır olabilir.
SSS
Kaynaklar
- Hoeting, J. A., Madigan, D., Raftery, A. E. & Volinsky, C. T. (1999). Bayesian model averaging: A tutorial. Statistical Science, 14(4), 382-417. link ↗
- Rubin, D. B. (1987). Multiple Imputation for Nonresponse in Surveys. John Wiley & Sons, New York. ISBN: 978-0471655749
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Bayesian Model Averaging with Missing Data. ScholarGate. https://scholargate.app/tr/bayesian/bayesian-model-averaging-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
- Eksik Veri ile Bayesci ÇıkarımBayesçi↔ karşılaştır
- Çoklu Atamaİstatistik↔ karşılaştır
- Eksik Veriyle Sıralı Monte CarloBayesçi↔ karşılaştır