Hamiltonian Monte Carlo (HMC) ile Eksik Veri
Hamiltonian Monte Carlo with Missing Data Imputation · Ayrıca şöyle bilinir: HMC with missing data, HMC data augmentation, Bayesian HMC imputation, HMC with data augmentation
Eksik veriye sahip HMC, eksik gözlemleri ek bilinmeyen parametreler olarak ele alarak gradyan tabanlı HMC örnekleyicisini tamamlanmamış gözlemleri işlemek üzere genişletir. Model parametreleri ve eksik değerler üzerindeki sonsal, tek bir verimli geçişte ortaklaşa örneklenir ve rastgele yürüyüş MCMC'den çok daha az reddedilen öneriyle yüksek boyutlu ortak uzayı keşfetmek için gradyan bilgisinden yararlanır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Analiz, orta ila yüksek oranda eksiklik (%5-40 gibi) içeren, MAR veya MCAR varsayımı altında sürekli veya karma tip sonuçlar içerdiğinde ve tam Bayes modeli, gradyan bilgisinin mevcut olduğu, pürüzsüz, türevlenebilir sonsal logaritmalarına sahip olduğunda (hiyerarşik regresyon, gizli değişken veya faktör modelleri gibi) HMC ile eksik veri kullanın. Yöntem, özellikle eksiklik, rastgele durum veya tek atama yaklaşımlarının bozacağı karmaşık yollarla model kovaryetleriyle ilişkili olduğunda değerlidir. Olasılık fonksiyonu türevlenemez olduğunda (örneğin, otomatik türevleme olmadan özel bağlantı fonksiyonlarına sahip sayım verileri) veya eksiklik MNAR olduğunda ve mekanizma modellenemediğinde daha basit Gibbs örnekleyicileri veya Metropolis-Hastings tercih edin. Eksikliğin aşırı seyrek olduğu (%2-3'ün altında) ve tam durum analizinin ihmal edilebilir yanlılık getirdiği durumlarda bu yöntemi kullanmayın.
Güçlü yönler & sınırlılıklar
- Model parametrelerini ve eksik değerleri ortaklaşa örnekler, atama belirsizliğini ayrı bir atama adımı olmadan tüm aşağı akış tahminlerine yayar.
- Gradyan güdümlü öneriler, rastgele yürüyüş alternatiflerinden çok daha verimli bir şekilde yüksek boyutlu ortak sonsalı keşfeder, bu da çok sayıda değer eksik olduğunda kritiktir.
- İlkeli Bayes yaklaşımı, her atanan çizimde gözlemlenen veri olasılığına ve öncülüne otomatik olarak saygı duyar.
- Otomatik türevleme ve NUTS sağlayan modern olasılıksal programlama dilleri (Stan, PyMC, Turing.jl) ile çalışır.
- Çoklu atama denklemlerle (MICE) özel atama modelleri gerektirecek hiyerarşik ve gizli değişken modelleri kolayca işler.
- Türevlenebilir sonsal logaritmaları gerektirir; türevlenemez olasılık fonksiyonları (bazı ayrık gizli yapılar), marjinalleştirilmedikçe gradyan hesaplamasını bozar.
- Daha basit örnekleyicilere göre iterasyon başına hesaplama açısından pahalıdır ve maliyet, durum vektörüne eklenen eksik değerlerin sayısıyla ölçeklenir.
- MAR geçerli olmalı veya ayrı bir eksiklik modeli belirtilmelidir; yöntem MNAR'ı otomatik olarak işlemez.
- Adaptif bir örnekleyici (NUTS) kullanılmadıkça adım boyutu ve yörünge uzunluğu ayarlaması gereklidir.
SSS
Bu, denklemlerle çoklu atamadan (MICE) nasıl farklıdır?
MICE, bir dizi koşullu model kullanarak eksik değerleri iteratif olarak atar ve ardından her atanan veri kümesini ayrı ayrı analiz eder, sonuçları Rubin kurallarıyla birleştirir. Eksik veriye sahip HMC, parametreleri ve eksik değerleri tek bir ilkeli modelde ortaklaşa örnekler, birleştirme kurallarına olan ihtiyacı ortadan kaldırır ve belirsizliği tam olarak yayar. Daha tutarlıdır ancak tam olarak belirtilmiş bir üretken model ve türevlenebilir olasılık fonksiyonları gerektirir.
Bu, eksiklik mekanizmasını modellememi gerektirir mi?
Eksik veriler MAR veya MCAR ise, eksiklik göstergesi göz ardı edilebilir (göz ardı edilebilir eksiklik) ve yalnızca tam veri dağılımını modellemeniz gerekir. Veriler MNAR ise, değerlerin neden eksik olduğunu belirten bir model de belirtmeniz gerekir, aksi takdirde sonuçlar yanlı olacaktır. HMC örneklemeyi işler ancak mekanizmayı sizin için teşhis etmez.
Eksik değerler durumun bir parçası olduğunda yakınsamayı nasıl kontrol ederim?
Standart tanılamalara atanan eksik değer zincirlerini dahil edin: model parametrelerinin yanı sıra temsili bir eksik değer alt kümesi için R-hat ve etkili örneklem boyutu (ESS) hesaplayın. 1.01'in üzerindeki R-hat veya 400'ün altındaki ESS, parametre zincirleri iyi görünse bile zincirin karışmadığını gösterir.
Burada NUTS (No-U-Turn Sampler) kullanabilir miyim?
Evet. NUTS, yörünge uzunluğunu otomatik olarak seçen HMC'nin adaptif varyantıdır ve Stan ve PyMC'deki varsayılan örnekleyicidir. Doğrudan genişletilmiş durum (parametreler artı eksik değerler) üzerinde çalışır ve tipik olarak manuel adım boyutu ayarlaması gerektirmez, bu da onu pratik kullanım için önerilen uygulama haline getirir.
Bu yöntem için ne kadar eksiklik oranı çok fazladır?
Kesin bir eşik yoktur, ancak öğe düzeyinde yaklaşık %40-50'nin ötesinde sonsal giderek daha fazla veriden ziyade öncülden beslenir ve atama belirsizliği tahminlere hakim olur. Yüksek eksiklik oranlarında eksik veri dağılımları üzerindeki farklı öncüllerle duyarlılık analizleri esastır.
Kaynaklar
- Neal, R. M. (2011). MCMC using Hamiltonian dynamics. In S. Brooks, A. Gelman, G. Jones & X.-L. Meng (Eds.), Handbook of Markov Chain Monte Carlo (pp. 113-162). CRC Press. ISBN: 978-1420079418
- Gelman, A., Carlin, J. B., Stern, H. S., Dunson, D. B., Vehtari, A. & Rubin, D. B. (2013). Bayesian Data Analysis (3rd ed.). CRC Press. Chapter 18: Missing-data imputation. ISBN: 978-1439840955
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Hamiltonian Monte Carlo with Missing Data Imputation. ScholarGate. https://scholargate.app/tr/bayesian/hamiltonian-monte-carlo-with-missing-data
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Eksik Veri ile Bayesci ÇıkarımBayesçi↔ karşılaştır
- Eksik Verilerle Gibbs ÖrneklemesiBayesçi↔ karşılaştır
- Hamiltonian Monte CarloBayesçi↔ karşılaştır
- Eksik Veri ile MCMCBayesçi↔ karşılaştır
- Çoklu Atamaİstatistik↔ karşılaştır
- Eksik Veri ile Varyasyonel ÇıkarımBayesçi↔ karşılaştır