Bayesian methodsBayesian / computational
Hamiltonian Monte Carlo with Missing Data
Hamiltonian Monte Carlo with missing data 扩展了基于梯度的 HMC 采样器，通过将缺失值视为额外的未知参数来处理不完整的观测。模型参数和缺失值的后验分布被联合采样于一次高效的遍历中，利用梯度信息以远少于随机游走 MCMC 的拒绝采样来探索高维联合空间。
阅读完整方法
仅限会员
登录使用免费账户登录即可阅读本节。
方法图谱
相关方法的邻域——选择一个节点以展开探索。
来源
- 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
如何引用本页
ScholarGate. (2026, June 3). Hamiltonian Monte Carlo with Missing Data Imputation. ScholarGate. https://scholargate.app/zh/bayesian/hamiltonian-monte-carlo-with-missing-data
选用哪种方法？
将本方法与其最相近的同类并置，并排研读——本馆将书籍铺陈于案上，取舍则由您定夺。
- 缺失数据的贝叶斯推断贝叶斯↔ 比较
- 带缺失数据的吉布斯抽样贝叶斯↔ 比较
- Hamiltonian Monte Carlo贝叶斯↔ 比较
- 缺失数据下的MCMC贝叶斯↔ 比较
- Multiple Imputation统计学↔ 比较
- 带缺失数据变分推断贝叶斯↔ 比较