Eksik Veriyle Sıralı Monte Carlo
Sequential Monte Carlo with Missing Data · Ayrıca şöyle bilinir: SMC with missing data, particle filter with missing observations, SMC missing observations, particle smoothing with incomplete data
Eksik veriye sahip Sıralı Monte Carlo (SMC), standart parçacık filtresini, bazı gözlemlerin bulunmadığı durum uzayı modellerine genişletir. Belirli bir zaman adımında bir gözlem eksik olduğunda, güncelleme adımı basitçe atlanır: parçacıklar, yeniden ağırlıklandırma yapılmaksızın geçiş modeli aracılığıyla ileriye doğru yayılır ve eksikliğin göz ardı edilebilir olduğu (rastgele eksik veya tamamen rastgele eksik) sürece, herhangi bir eksik veri deseni altında kesin Bayesci çıkarımı korur.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Doğrusal olmayan veya Gauss olmayan bir durum uzayı modelinden sıralı veya zaman serisi gözlemleriniz olduğunda ve bazı gözlemler aralıklı olarak eksik olduğunda eksik veriye sahip SMC kullanın. Ekolojik takip, sensör füzyonu, finansal volatilite tahmini ve veri kaybının yaygın olduğu epidemiyolojik sürveyans için idealdir. Eksiklik deseni düzensiz olduğunda veya boşluklar boyunca belirsizliğin sonraki kararlar için önemli olduğu durumlarda, atama-sonra-filtreleme yaklaşımlarına tercih edin. Durum uzayı modeli doğrusal-Gauss ise ve veriler yoğunsa kullanmayın — eksik adım işlemeli bir Kalman filtresi daha hızlı ve kesindir. Eksiklik bilgilendiriciyse (rastgele değilse) ve eksik veri mekanizması açıkça modellenmiyorsa kaçının.
Güçlü yönler & sınırlılıklar
- Doğrusal olmayan ve Gauss olmayan durum uzayı modellerini Gauss varsayımı olmaksızın ele alır.
- Eksik adımlar, atama yapılmadan tam olarak ele alınır: yalnızca tahmin adımı posteriordan yayılır.
- Belirsizlik boşluklar boyunca doğal olarak artar, her zaman noktasında dürüst güven aralıkları sağlar.
- Parçacık gösterimi aracılığıyla çok değişkenli durumlara ve karmaşık emisyon modellerine ölçeklenir.
- Statik parametre tahmini için SMC örnekleyicileri veya MCMC çekirdekleri ile eş zamanlı olarak birleştirilebilir.
- Boşluklar çok uzun olduğunda veya durum uzayı yüksek boyutlu olduğunda parçacık yozlaşması meydana gelebilir, bu da büyük parçacık sayıları gerektirir.
- Hesaplama maliyeti hem zaman adımı sayısı hem de parçacık sayısı ile doğrusal olarak artar.
- Yalnızca rastgele eksik veya tamamen rastgele eksik varsayımı altında geçerlidir; bilgilendirici eksiklik ortak bir model gerektirir.
- Düzeltilmiş tahminler (geri geçiş), filtrelenmiş tahminlerden daha pahalıdır ve ileri-filtre geri-düzeltici gibi ek algoritmalar gerektirir.
SSS
SMC çalıştırmadan önce eksik gözlemleri atamam gerekiyor mu?
Hayır. Doğru yaklaşım, eksik zaman adımlarında olabilirlik güncellemesini atlamak ve parçacıkları yalnızca geçiş modelini kullanarak ileriye doğru yaymaktır. Atama yapmak ve sonra filtrelemek, doğru şekilde hesaba katılmayan ek belirsizlik yaratır ve posteriörü yanlı hale getirebilir.
Uzun boşluklar olduğunda kaç parçacığa ihtiyacım var?
Normalden daha fazla. Bir boşluk sırasında parçacıklar, herhangi bir düzeltici yeniden ağırlıklandırma olmaksızın süreç gürültüsüne göre yayılır, bu nedenle çeşitlilik daha büyük bir topluluk tarafından korunmalıdır. Pratik bir kural, posteriör özetleri stabilize olana kadar N'yi artırarak pilot çalıştırma yapmaktır; orta boyutlu problemler için 1000-5000 parçacık yaygın bir başlangıç aralığıdır.
SMC, rastgele eksik olmayan verileri işleyebilir mi?
Değişiklik yapmadan hayır. Eğer y_t'nin eksik olma olasılığı gözlemlenmeyen y_t'ye veya x_t'nin kendisine bağlıysa, veri kaybı mekanizması durumla birlikte ortaklaşa modellenmelidir. Bu, hem model belirtimini hem de çıkarımı önemli ölçüde karmaşıklaştırır.
Eksik verilerle filtreleme ve düzeltme arasındaki fark nedir?
Filtreleme p(x_t | y_{1:t})'yi verir: yalnızca geçmiş ve şimdiki verileri kullanan durum dağılımı. Düzeltme p(x_t | y_{1:T})'yi verir: gelecekteki gözlemler de dahil olmak üzere tüm verileri kullanan durum dağılımı. Düzeltilmiş tahminler daha doğrudur ancak ileri filtrelemeden sonra bir geri geçiş (örneğin, parçacık düzeltici) gerektirir.
Eksik veriye sahip SMC, eksik gözlemlere sahip bir Kalman filtresi ile aynı mıdır?
Aynı kavramsal fikri uygularlar — veri olmadığında güncellemeyi atlamak — ancak farklı model sınıfları için. Kalman filtresi doğrusal-Gauss modelleriyle sınırlıdır; SMC, geçiş ve emisyon yoğunluklarının değerlendirilebildiği veya örneklenebildiği herhangi bir durum uzayı modeline uygulanır.
Kaynaklar
- Doucet, A., de Freitas, N., & Gordon, N. (Eds.) (2001). Sequential Monte Carlo Methods in Practice. Springer, New York. ISBN: 978-0387951461
- Chopin, N., & Papaspiliopoulos, O. (2020). An Introduction to Sequential Monte Carlo. Springer, Cham. DOI: 10.1007/978-3-030-47845-2 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Sequential Monte Carlo with Missing Data. ScholarGate. https://scholargate.app/tr/bayesian/sequential-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
- Dinamik Ardışık Monte CarloBayesçi↔ karşılaştır
- Eksik Verilerle Gibbs ÖrneklemesiBayesçi↔ karşılaştır
- Eksik Verili Kalman FiltresiBayesçi↔ karşılaştır
- Parçacık Filtresi (Sıralı Monte Carlo)Bayesçi↔ karşılaştır
- Sıralı Monte CarloBayesçi↔ karşılaştır