Bedankt voor het vertrouwen het afgelopen jaar! Om jou te bedanken bieden we GRATIS verzending (in België) aan op alles gedurende de hele maand januari.

Afhalen na 1 uur in een winkel met voorraad
Gratis thuislevering in België
Ruim aanbod met 7 miljoen producten

Bedankt voor het vertrouwen het afgelopen jaar! Om jou te bedanken bieden we GRATIS verzending (in België) aan op alles gedurende de hele maand januari.

Afhalen na 1 uur in een winkel met voorraad
Gratis thuislevering in België
Ruim aanbod met 7 miljoen producten

Winkels

Verlanglijstje

Winkels

Verlanglijstje

Zoeken

Volg ons op

Wist je dat er in Vlaanderen voor iedereen een Standaard Boekhandel is binnen een straal van 7 km?

Zoek een winkel

€ 126,95

+ 253 punten

Uitvoering

Levering 2 à 3 weken

Eenvoudig bestellen

Veilig betalen

In januari gratis thuislevering in België (via bpost)

Gratis levering in je Standaard Boekhandel

Omschrijving

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.