Hamiltonian Monte Carlo với Dữ liệu Thiếu
Hamiltonian Monte Carlo với dữ liệu thiếu mở rộng bộ lấy mẫu HMC dựa trên gradient để xử lý các quan sát không đầy đủ bằng cách coi các giá trị bị thiếu là các tham số chưa biết bổ sung. Phân bố hậu nghiệm trên các tham số mô hình và các giá trị bị thiếu được lấy mẫu đồng thời trong một lượt hiệu quả, tận dụng thông tin gradient để khám phá không gian liên kết nhiều chiều với số lượng đề xuất bị từ chối ít hơn nhiều so với MCMC theo bước ngẫu nhiên.
Đọc toàn bộ phương pháp
Đăng nhập bằng tài khoản miễn phí để đọc phần này.
Bản đồ phương pháp
Lân cận của các phương pháp liên quan — chọn một nút để khám phá.
Nguồn tài liệu
- 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
Cách trích dẫn trang này
ScholarGate. (2026, June 3). Hamiltonian Monte Carlo with Missing Data Imputation. ScholarGate. https://scholargate.app/vi/bayesian/hamiltonian-monte-carlo-with-missing-data
Phương pháp nào?
Đặt phương pháp này bên cạnh những phương pháp gần gũi nhất với nó và đọc chúng song song — thư viện bày sách lên bàn; lựa chọn là của bạn.
- Suy luận Bayes với dữ liệu thiếuBayes↔ so sánh
- Gibbs Sampling với Dữ liệu ThiếuBayes↔ so sánh
- Hamiltonian Monte CarloBayes↔ so sánh
- MCMC với dữ liệu thiếuBayes↔ so sánh
- Multiple ImputationThống kê↔ so sánh
- Suy diễn biến phân với dữ liệu thiếuBayes↔ so sánh
Được tham chiếu bởi
Phát hiện lỗi trên trang này? Báo cáo hoặc đề xuất chỉnh sửa →