Vous voulez être sûr que vos cadeaux seront sous le sapin de Noël à temps? Nos magasins vous accueillent à bras ouverts. La plupart de nos magasins sont ouverts également les dimanches, vous pouvez vérifier les heures d'ouvertures sur notre site.
- Retrait gratuit dans votre magasin Club
- 7.000.000 titres dans notre catalogue
- Payer en toute sécurité
- Toujours un magasin près de chez vous
Vous voulez être sûr que vos cadeaux seront sous le sapin de Noël à temps? Nos magasins vous accueillent à bras ouverts. La plupart de nos magasins sont ouverts également les dimanches, vous pouvez vérifier les heures d'ouvertures sur notre site.
- Retrait gratuit dans votre magasin Club
- 7.000.0000 titres dans notre catalogue
- Payer en toute sécurité
- Toujours un magasin près de chez vous
Bayesian Missing Data Problems
EM, Data Augmentation and Noniterative Computation
Ming T Tan, Guo-Liang Tian, Kai Wang Ng
148,95 €
+ 297 points
Format
Description
Bayesian Missing Data Problems: EM, Data Augmentation and Noniterative Computation presents solutions to missing data problems through explicit or noniterative sampling calculation of Bayesian posteriors. The methods are based on the inverse Bayes formulae discovered by one of the author in 1995. Applying the Bayesian approach to important real-world problems, the authors focus on exact numerical solutions, a conditional sampling approach via data augmentation, and a noniterative sampling approach via EM-type algorithms.
After introducing the missing data problems, Bayesian approach, and posterior computation, the book succinctly describes EM-type algorithms, Monte Carlo simulation, numerical techniques, and optimization methods. It then gives exact posterior solutions for problems, such as nonresponses in surveys and cross-over trials with missing values. It also provides noniterative posterior sampling solutions for problems, such as contingency tables with supplemental margins, aggregated responses in surveys, zero-inflated Poisson, capture-recapture models, mixed effects models, right-censored regression model, and constrained parameter models. The text concludes with a discussion on compatibility, a fundamental issue in Bayesian inference.
This book offers a unified treatment of an array of statistical problems that involve missing data and constrained parameters. It shows how Bayesian procedures can be useful in solving these problems.
Spécifications
Parties prenantes
- Auteur(s) :
- Editeur:
Contenu
- Nombre de pages :
- 346
- Langue:
- Anglais
- Collection :
- Tome:
- n° 32
Caractéristiques
- EAN:
- 9781420077490
- Date de parution :
- 01-10-09
- Format:
- Livre relié
- Format numérique:
- Genaaid
- Dimensions :
- 157 mm x 236 mm
- Poids :
- 635 g
