Eksik Veri ile Metropolis-Hastings
Metropolis-Hastings Algorithm with Missing Data Augmentation · Ayrıca şöyle bilinir: MH with missing data, Metropolis-Hastings data augmentation, MCMC missing data imputation, MH data-augmentation sampler
Eksik veriye sahip Metropolis-Hastings, gözlemlenmeyen değerleri gizli değişkenler olarak ele alır ve bunları tek bir MCMC zinciri içinde model parametreleriyle birlikte örnekler. Hedef dağılımı hem parametreleri hem de eksik değerleri içerecek şekilde genişleterek, algoritma eksik vakaları atmadan veya ayrı bir atama adımı gerektirmeden düzgün kalibre edilmiş sonsal çıkarım sağlar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Bayesci modelinizde eksik gözlemler olduğunda ve eksiklik belirsizliğini tam olarak hesaba katan bir çıkarım istediğinizde (eksik vakaları atmak yerine - tam vaka analizi - veya tek bir atanmış değer koymak yerine) bu yöntemi kullanın. Özellikle verilerin rastgele eksik olduğu (MAR) durumlarda veya eksiklik mekanizmasının açıkça modellendiği (MNAR) durumlarda uygundur. Eksikliğin ihmal edilebilir olduğu, veri kümesinin çok büyük olduğu ve hızlı bir yaklaşık yöntemin yeterli olduğu veya tüm bloklar için kapalı formda bir Gibbs güncellemesinin mevcut olduğu durumlarda daha az uygundur - bu durumda saf Gibbs örneklemesi daha basit ve daha verimlidir.
Güçlü yönler & sınırlılıklar
- Parametreleri eş zamanlı olarak tahmin eden ve eksik veri belirsizliğini yayan tek, tutarlı bir sonsal dağılım üretir.
- Ana analizden önce herhangi bir ad hoc atama adımı gerektirmez; atama MCMC döngüsüne entegre edilmiştir.
- Yalnızca olabilirlik oranının gerekli olması nedeniyle, eşlenik olmayan ve hiyerarşik modeller dahil olmak üzere hemen hemen her parametrik modele uygulanabilir.
- Rastgele eksik (MAR) ve açık bir eksiklik modeli ile rastgele olmayan eksik (MNAR) verileri doğru bir şekilde ele alır.
- Tam sonsal dağılımlar mevcut olduğundan, sonsal tahmin kontrolü ve model karşılaştırması (WAIC, LOO-CV) hala basittir.
- Hesaplama açısından pahalıdır: her yineleme, parametreleri güncellemenin yanı sıra tüm eksik değerleri atamalıdır, bu da çok sayıda eksik hücre olduğunda maliyetlidir.
- Öneri ayarlaması kritiktir; kötü ölçeklenmiş bir rastgele yürüyüş önerisi, özellikle yüksek boyutlu eksik veri problemlerinde yavaş karışır.
- Yakınsama tanıları (R-hat, etkili örneklem boyutu) hem parametre hem de atama zincirleri için kontrol edilmelidir.
- Eksik verilerin oranı yüksek olduğunda sonsal dağılım önsel dağılım tarafından domine edilebilir, bu da önsel duyarlılık analizini zorunlu kılar.
- MNAR modeller doğru şekilde belirtilmiş bir eksiklik mekanizması gerektirir, bu da genellikle yalnızca gözlemlenen verilerden doğrulanamaz.
SSS
Bu, birden çok atama ve ardından havuzlanmış analizden nasıl farklıdır?
Birden çok atama (MI), atamayı analizden ayırır: m atanmış veri kümesi oluşturulur, bağımsız olarak analiz edilir ve sonuçlar Rubin kurallarıyla havuzlanır. Veri artırmalı Metropolis-Hastings, her iki adımı da tek bir MCMC zincirine entegre eder, bu da atama ve analiz modellerinin tam uyumlu olması gereken karmaşık veya hiyerarşik modeller için daha tutarlıdır. Daha basit modeller için iki yaklaşım benzer sonuçlar verir.
Eksiklik mekanizmasını açıkça modellemem gerekiyor mu?
Yalnızca veriler rastgele olmayan (MNAR) ise. Eksikliğin yalnızca gözlemlenen değişkenlere bağlı olması (MAR) durumunda, mekanizma göz ardı edilebilir ve yalnızca tam veri olabilirlik fonksiyonunu modellemeniz gerekir. MNAR için, veri ve eksiklik için ortak bir model belirtmeli ve uydurmalısınız, bu da güçlü varsayımlar olmadan nadiren tanımlanabilir.
Eksik değerler de örneklenirken yakınsamayı nasıl teşhis ederim?
Dağıtılmış başlangıç değerlerinden birden çok zincir çalıştırın ve hem model parametreleri hem de atanmış değerlerin bir özeti (örneğin, eksik oran veya atanmış ortalamalar) için R-hat ve etkili örneklem boyutu (ESS) hesaplayın. Tüm izlenen nicelikler için 1.01'in altında R-hat değerleri ve birkaç yüzün üzerinde ESS değerleri rahatlatıcıdır.
Stan veya JAGS bunu otomatik olarak halledebilir mi?
JAGS, NA düğümlerini MCMC döngüsü içinde örneklenen ek bilinmeyenler olarak ele alarak eksik verileri yerel olarak işler. Stan, eksik veri parametrelerinin açıkça bildirilmesini ve genişletilmiş bir olabilirlik fonksiyonunu gerektirir. Her iki yaklaşım da aynı istatistiksel ilkeyi uygular: MCMC içinde veri artırma.
Hangi kabul oranını hedeflemeliyim?
Sürekli bir parametre bloğu üzerindeki rastgele yürüyüş Metropolis-Hastings önerisi için, teorik sonuçlar yüksek boyutlarda yaklaşık %23 kabul oranını ve tek bir skaler parametre için %44'e kadar kabul oranını hedeflemeyi önermektedir. Uyarlanabilir MCMC şemaları, bu hedeflere otomatik olarak ulaşmak için ısınma sırasında öneri kovaryansını ayarlar.
Kaynaklar
- 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
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Metropolis-Hastings Algorithm with Missing Data Augmentation. ScholarGate. https://scholargate.app/tr/bayesian/metropolis-hastings-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
- Veri Artırma (Data Augmentation)Derin öğrenme↔ karşılaştır
- Eksik Verilerle Gibbs ÖrneklemesiBayesçi↔ karşılaştır
- Hamiltonian Monte Carlo (HMC) ile Eksik VeriBayesçi↔ karşılaştır
- Metropolis-Hastings AlgoritmasıBayesçi↔ karşılaştır
- Çoklu Atamaİstatistik↔ karşılaştır