Markovianity에 영향을주지 않고 random-walk MH MCMC에서 제안서 배포를 변경할 수 있습니까?


14

대칭 제안이 포함 된 랜덤 워크 메트로폴리스-하 스팅

q(x|y)=g(|yx|) 에는 합격 확률이

P(accept y)=min{1,f(y)/f(x)}

제안 에 의존하지 않습니다 .g()

그것은 체인의 마코 비안에 영향을 미치지 않으면 서 를 체인의 이전 성능의 함수로 변경할 수 있습니까?()

특히 관심있는 것은 수락 률의 함수로 일반 제안의 조정을 조정하는 것입니다.

누군가이 유형의 문제에 실제로 사용되는 적응 알고리즘을 지적 할 수 있다면 크게 감사하겠습니다.

많은 감사합니다.

[편집 : robertsy와 wok가 제공 한 참조로 시작하여 MH 적응 알고리즘에 대한 다음 참조를 찾았습니다.

안드리 유, 크리스토프, 에릭 물린. 2006 년
일부 적응 MCMC 알고리즘의 에르 고딕 성 속성에. 적용된 확률의 연대기 16, no. 3 : 1462-1505. http://www.jstor.org/stable/25442804 .

안드리 유, 크리스토프, 요하네스 톰스.
적응 형 MCMC에 대한 자습서. 통계 및 컴퓨팅 18, no. 4 (12) : 343-373. doi : 10.1007 / s11222-008-9110-y. http://www.springerlink.com/content/979087678366r78v/ .

Atchadé, Y., G. Fort, E. Moulines 및 P. Priouret. 2009.
적응 마르코프 체인 몬테 카를로 : 이론과 방법. 사전 인쇄.

아차 데, 이브 2010 년
subgeometric 커널 일부 적응 MCMC 알고리즘에 대한 제한 정리. 베르누이 16 호 1 (2 월) : 116-154. doi : 10.3150 / 09-BEJ199. http://projecteuclid.org/DPubS?verb=Display&version=1.0&service=UI&handle=euclid.bj/1265984706&page=record .

Cappé, O., S. J Godsill 및 E. Moulines. 2007.
순차적 인 Monte Carlo의 기존 방법과 최근 발전에 대한 개요. IEEE 95의 절차, no. 5 : 899-924.

지오 다니, 파올로 2010.
적응 형 독립 대도시 – 법선 혼합물의 빠른 추정에 의한 추적. 전산 및 그래픽 통계 저널 19, no. 2 (6) : 243-259. doi : 10.1198 / jcgs.2009.07174. http://pubs.amstat.org/doi/abs/10.1198/jcgs.2009.07174 .

Latuszynski, Krzysztof, Gareth O Roberts 및 Jeffrey S Rosenthal. 2011.
Adaptive Gibbs 샘플러 및 관련 MCMC 방법. 1101.5838 (1 월 30 일). http://arxiv.org/abs/1101.5838 .

Pasarica, C. 및 A. Gelman. 2009.
예상 제곱 된 점프 거리를 사용하여 메트로폴리스 알고리즘을 적응 적으로 스케일링합니다. Statistica Sinica.

Roberts, Gareth O. 2009.
적응 형 MCMC의 예. 전산 및 그래픽 통계 저널 18, no. 2 (6) : 349-367. doi : 10.1198 / jcgs.2009.06134. http://pubs.amstat.org/doi/abs/10.1198/jcgs.2009.06134 .

]


SO 레코드에서 +100 보너스를받지 못한 이유는 무엇입니까?

@mbq, 아마 당신이 :) 여기에 대답 물건에 대한 실제 CHAP해야하기 때문에 CW 100은 큰 문제처럼 보인다, 잘 ... 연민으로 OS에 0을 때 나는 오래 전에이 계정을 생성하기 때문에
VitoshKa

모든 연결을 지우고 계정을 다시 연결하면 보너스를받을 수 있습니다.
Wok

답변:


7

내 생각이 종이 헤이 키 Haario 외 알에서. 필요한 답변을 제공합니다. 체인의 마코 비안은 제안 밀도의 조정에 영향을받습니다. 새로운 제안 된 값은 이전 값뿐만 아니라 전체 체인에 의존하기 때문입니다. 그러나 세심한주의를 기울이면 시퀀스가 ​​여전히 좋은 속성을 가지고있는 것 같습니다.


좋은 참고를 위해 robertsy에게 감사드립니다. 실제로 프로세스는 마르코프가 아닙니다. 수용 확률이 과거와 무관하더라도 프로세스의 전환 커널은 제안 밀도의 함수이므로 전체 체인에 따라 다릅니다.
VitoshKa

3

Tierney, Mira (1999)에 설명 된대로 지연된 거부 를 사용하여 수락 률을 향상시킬 수 있습니다 . 그것은 두 번째 제안 기능을 기반으로 두 번째 합격 확률 마르코프 체인을 보장, 여전히 같은 불변의 분포를 뒤집을 수 있습니다 : "때문에 당신이주의해야 쉽게 작업에 있지만, 사실 보일 수도 적응 방법을 구축하는 것입니다 잘못된 분포에서 표본 추출 ".


3

사용자 wok와 robertsy가 제안한 접근 방식은 내가 아는 것 중 가장 일반적으로 인용되는 예를 다룹니다. 이러한 해답을 확대하기 위해 Haario와 Mira는 2006 년에 두 가지 접근 방식, 즉 DRAM (거부 거부 적응 메트로폴리스) 이라고하는 접근 방식을 결합한 논문을 작성했습니다 .

Andrieu는 Haario 2001을 다루는 다양한 다양한 MCMC 접근 방식 (pdf)을 훌륭하게 다루었지만 최근에 제안 된 다양한 대안에 대해서도 설명합니다.


1

이것은 내 출판물의 뻔뻔한 플러그이지만 우리는 이 작업 ( arxiv ) 에서 정확히 이것을 수행 합니다 . 무엇보다도, 우리는 수용도를 향상시키기 위해 지수 분포의 분산을 조정하는 것을 제안한다 (본 논문의 알고리즘의 단계 S3.2).

에프1

수용 률에 대한 정보는 사용하지 않지만 관심있는 수량과 무관하게 수용을 얻습니다 (그림 4의 오른쪽 아래 스핀 시스템의 에너지와 동일).

당사 사이트를 사용함과 동시에 당사의 쿠키 정책개인정보 보호정책을 읽고 이해하였음을 인정하는 것으로 간주합니다.
Licensed under cc by-sa 3.0 with attribution required.