Metropolis-Hastings з пропущеними даними
Metropolis-Hastings з пропущеними даними розглядає неспостережувані значення як приховані змінні та вибирає їх спільно з параметрами моделі всередині одного ланцюга MCMC. Доповнюючи цільовий розподіл, щоб включити як параметри, так і пропущені значення, алгоритм забезпечує належним чином відкалібровану апостеріорну висновування без відкидання неповних випадків або необхідності окремого кроку імпутації.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Method map
The neighbourhood of related methods — select a node to explore.
Джерела
- 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
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Metropolis-Hastings Algorithm with Missing Data Augmentation. ScholarGate. https://scholargate.app/uk/bayesian/metropolis-hastings-with-missing-data
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Байєсівський висновок з пропущеними данимиБаєсові методи↔ compare
- Аугментація данихГлибоке навчання↔ compare
- Вибірка Гіббса з пропущеними данимиБаєсові методи↔ compare
- Гамільтонівський Монте-Карло з пропущеними данимиБаєсові методи↔ compare
- Алгоритм Метрополіса-ГастінгсаБаєсові методи↔ compare
- Множинне імпутуванняСтатистика↔ compare
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →