균일 한 후보 분포를 가진 Metropolis-Hastings의 합격률


9

균일 한 후보 분포로 Metropolis-Hastings 알고리즘을 실행할 때 수용 률이 약 20 %라는 근거는 무엇입니까?

내 생각은 : 일단 참 (또는 참에 가깝다) 매개 변수 값이 발견되면 동일한 균일 간격의 새로운 후보 매개 변수 값 집합이 우도 함수의 값을 증가시키지 않을 것입니다. 따라서 반복을 많이할수록 허용 률이 낮아집니다.

이 생각에서 내가 어디 잘못 되었나요? 많은 감사합니다!

내 계산 그림은 다음과 같습니다.

Acceptance_rate=exp{l(θc|y)+log(p(θc))[l(θ|y)+log(p(θ)]},

여기서 은 로그 우도입니다.l

으로 후보가 항상 같은 균일 한 간격에서 가져옵니다,θ

p(θc)=p(θ).

따라서 합격률 계산은 다음과 같이 축소됩니다.

Acceptance_rate=exp{l(θc|y)[l(θ|y)]}

의 수락 규칙 은 다음과 같습니다.θc

만일 , 구간에서 균일하게 분포로부터 그려이다 이어서,UAcceptance_rateU[0,1]

θ=θc,

그렇지 않으면 간격 에서 균일 분포에서 를 그립니다θc[θmin,θmax]


1
가독성을 높이기 위해 형식을 변경했습니다. 원래 의미를 변경하지 않았는지 확인하십시오.
mpiktas

답변:


9

나는 믿고 약한 수렴 및 랜덤 워크 (random walk) 메트로폴리스 알고리즘의 최적의 스케일링 로버츠, 겔만과 Gilks로는 0.234 최적의 수용 속도에 대한 소스입니다.

논문이 보여주는 것은 특정 가정 하에서 공간의 차원이 무한대로되어 각 좌표에 대한 제한 확산을 얻기 때문에 랜덤 워크 메트로폴리스-해 스팅 알고리즘을 스케일링 할 수 있다는 것입니다. 한계에서, 수용 률이 0.234 값을 취하면 확산은 "가장 효율적"인 것으로 볼 수 있습니다. 직관적으로, 그것은 많은 작은 수용 단계를 만드는 것과 거부되는 많은 큰 제안을하는 것 사이의 균형입니다.

Metropolis-Hastings 알고리즘은 시뮬레이션 어닐링과 달리 실제로 최적화 알고리즘이 아닙니다. 목표 분포에서 시뮬레이션해야하는 알고리즘이므로 합격 확률을 0으로 유도해서는 안됩니다.


9

@NRH의 답변에 추가하십시오. 일반적인 아이디어는 Goldilocks 교장을 따릅니다 .

  • 점프가 "너무 큰"경우 체인이 붙어 있습니다.
  • 점프가 "너무 작은"경우 체인은 매개 변수 공간을 매우 느리게 탐색합니다.
  • 우리는 점프가 옳아지기를 원합니다.

물론 문제는 "정확히"라는 말의 의미입니다. 본질적으로 특정 경우에 대해 예상되는 제곱 점프 거리를 최소화합니다. 이는 지연 1 자기 상관을 최소화하는 것과 같습니다. 최근 Sherlock과 Roberts는 다른 목표 분포에 대해 마법 0.234가 보유하고 있음을 보여주었습니다.

C. Sherlock, G. Roberts (2009); 타원 대칭 단봉 형 타겟에서 랜덤 워크 메트로폴리스의 최적 스케일링 ; 베르누이 15 (3)


1
(+1) 참고해 주셔서 감사합니다. 다음 은 0.234가 완전한 이야기가 아님을 보여주는 또 다른 참고 자료입니다.
NRH

2

질문 아래에 의견을 올릴만한 명성이 없기 때문에 이것을 답변으로 추가하고 있습니다. 나는 당신이 합격 비율수용 비율 사이에 혼란스러워 생각합니다 .

  1. 합격률은 응시자 수락 여부를 결정하는 데 사용됩니다. 수락 비율로 부르는 비율을 실제로 수락 비율이라고하며 허용 비율과 다릅니다.
  2. 합격률은 응시자의 합격률입니다. MCMC 체인의 총 값 수에 대한 MCMC 체인의 고유 값 수의 비율입니다.

이제 최적 수용 율이 20 %라는 의심은 실제로 수용 율이 아니라 실제 수용 율에 관한 것입니다. 그 대답은 다른 대답에 나와 있습니다. 나는 단지 당신이 겪고있는 혼란을 지적하고 싶었다.


1
이것은 나에게 충분한 답변 인 것 같습니다. @MusafitSafwan 사이트에 오신 것을 환영합니다. 여기에 처음 오셨으므로 새로운 사용자를위한 정보가 포함 된 둘러보기 를 이용하시기 바랍니다 .
gung-복직 모니카
당사 사이트를 사용함과 동시에 당사의 쿠키 정책개인정보 보호정책을 읽고 이해하였음을 인정하는 것으로 간주합니다.
Licensed under cc by-sa 3.0 with attribution required.