Thuật toán Metropolis-Hastings với Dữ liệu Khuyết
Thuật toán Metropolis-Hastings với dữ liệu khuyết coi các giá trị không quan sát được là các biến tiềm ẩn và lấy mẫu chúng cùng với các tham số mô hình trong một chuỗi MCMC duy nhất. Bằng cách mở rộng phân phối mục tiêu để bao gồm cả tham số và giá trị khuyết, thuật toán mang lại suy luận hậu nghiệm được hiệu chỉnh đúng đắn mà không loại bỏ các trường hợp không đầy đủ hoặc yêu cầu một bước điền khuyết riêng biệt.
Đọc toàn bộ phương pháp
Đăng nhập bằng tài khoản miễn phí để đọc phần này.
Method map
The neighbourhood of related methods — select a node to explore.
Nguồn tài liệu
- 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
Cách trích dẫn trang này
ScholarGate. (2026, June 3). Metropolis-Hastings Algorithm with Missing Data Augmentation. ScholarGate. https://scholargate.app/vi/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.
- Suy luận Bayes với dữ liệu thiếuBayes↔ compare
- Tăng cường dữ liệuHọc sâu↔ compare
- Gibbs Sampling với Dữ liệu ThiếuBayes↔ compare
- Hamiltonian Monte Carlo với Dữ liệu ThiếuBayes↔ compare
- Thuật toán Metropolis-HastingsBayes↔ compare
- Multiple ImputationThống kê↔ compare
Phát hiện lỗi trên trang này? Báo cáo hoặc đề xuất chỉnh sửa →