«gibbs» 태그된 질문

베이지안 모델을 추정하기 위해 BUGS 스타일 환경을 시도하려고합니다. OpenBugs 또는 JAGS 중에서 선택할 때 고려해야 할 중요한 이점이 있습니까? 가까운 장래에 다른 하나를 교체 할 가능성이 있습니까? 선택한 Gibbs Sampler를 R과 함께 사용합니다. 아직 구체적인 응용 프로그램이 없지만 어느 쪽을 배우고 배울 것인지 결정하고 있습니다.

41 r  software  bugs  jags  gibbs 

저는 MCMC 방법을 배우려고 노력했으며 Metropolis Hastings, Gibbs, Importance 및 Rejection 샘플링을 경험했습니다. 이러한 차이점 중 일부는 명백하지만, 즉 전체 조건이있을 때 Gibbs가 Metropolis Hastings의 특별한 사례 인 반면 Gibbs 샘플러 내에서 MH를 사용하려는 경우와 같이 다른 것은 명확하지 않습니다. 각각의 차이점을 볼 수있는 간단한 방법은 무엇입니까? 감사!

36 mcmc  monte-carlo  gibbs  metropolis-hastings  importance-sampling 

Gibbs Sampling의 작동 방식을 배우고 싶은 중급 용지에 적합한 기본 용지를 찾고 있습니다. 컴퓨터 과학 배경과 기본 통계 지식이 있습니다. 누구든지 좋은 자료를 읽었습니까? 어디서 배웠어요? 감사

29 references  gibbs 

일부 문제에 대해 Monte Carlo 시뮬레이션을 코딩 할 때 모델이 충분히 단순 할 때 매우 기본적인 교과서 Gibbs 샘플링을 사용합니다. Gibbs 샘플링을 사용할 수없는 경우 몇 년 전에 배운 교과서 Metropolis-Hastings를 코딩합니다. 내가 그것에 대한 유일한 생각은 점프 분포 또는 매개 변수를 선택하는 것입니다. 교과서 옵션보다 수백, 수백 가지의 특수한 …

21 bayesian  mcmc  gibbs  metropolis-hastings 

나는 Gibbs 샘플링과 Metropolis Hastings 알고리즘에 대해 약간의 독서를하고 있으며 몇 가지 질문이 있습니다. 내가 이해하는 것처럼 Gibbs 샘플링의 경우 큰 다변량 문제가있는 경우 조건부 분포에서 샘플링합니다. 즉, 하나의 변수는 샘플링하고 다른 변수는 모두 고정하고 MH에서는 전체 관절 분포에서 샘플링합니다. 문서가 말한 한 가지는 제안 된 샘플이 Gibbs Sampling에서 항상 …

20 bayesian  sampling  mcmc  gibbs  metropolis-hastings 

MCMC 알고리즘에는 여러 종류가 있습니다. 대도시 해 스팅 깁스 중요성 / 거부 샘플링 (관련). Metropolis-Hastings 대신 Gibbs 샘플링을 사용하는 이유는 무엇입니까? Metropolis-Hastings보다 Gibbs 샘플링에서 추론이 더 다루기 쉬운 경우가 있다고 생각하지만 구체적인 내용은 명확하지 않습니다.

20 bayesian  simulation  mcmc  gibbs  metropolis-hastings 

Gibbs Sampling은 Markov Chain Monte Carlo 샘플링을위한 Metropolis-Hastings 알고리즘의 특별한 사례라는 것이 최고 권위 1 입니다. MH 알고리즘은 항상 상세 밸런스 특성으로 전이 확률을 제공합니다. 깁스도 그래야한다고 생각합니다. 다음 간단한 경우 어디에서 잘못 되었습니까? 두 개의 이산 (간단 함) 변수에서 목표 분포 경우 전체 조건부 분포는 다음과 같습니다. q 1 …

17 mcmc  gibbs 

여기 에서 다운로드 할 수있는 Stan 설명서를 살펴 보았습니다 . 특히 Gelman-Rubin 진단을 구현하는 데 관심이있었습니다. 최초의 논문 Gelman & Rubin (1992 )은 다음과 같이 잠재적 스케일 감소 계수 (PSRF)를 정의합니다. 하자 Xi,1,…,Xi,NXi,1,…,Xi,NX_{i,1}, \dots , X_{i,N} 일 iii 샘플링 일 마르코프 체인 및 전반적인있을 수 있습니다 MMM 샘플링 독립 체인. …

16 mcmc  convergence  gibbs  metropolis-hastings  stan 

Metropolis-Hastings 및 Gibbs 샘플링과 같은 MCMC 알고리즘은 공동 후방 분포에서 샘플링하는 방법입니다. 저는 대도시의 번거 로움을 이해하고 쉽게 구현할 수 있다고 생각합니다. 어떻게 시작점을 선택하고 사후 밀도와 제안 밀도에 따라 무작위로 '매개 변수 공간을 걷습니다'. Gibbs 샘플링은 한 번에 하나의 매개 변수 만 업데이트하고 다른 매개 변수는 일정하게 유지하여 효과적으로 …

15 bayesian  mcmc  gibbs 

섹션 4.2.1의 결과를 처음부터 재현하고 있습니다. 깁스 출력의 한계 가능성 싯다르타 b 미국 통계 협회, Vol. 90, No. 432. (1995 년 12 월), pp. 1313-1321. 알려진 수 의 성분을 가진 법선 모형의 혼합입니다 . k≥1k≥1k\geq 1f(x∣w,μ,σ2)=∏i=1n∑j=1kN(xi∣μj,σ2j).(∗)f(x∣w,μ,σ2)=∏i=1n∑j=1kN(xi∣μj,σj2).(∗) f(x\mid w,\mu,\sigma^2) =\prod_{i=1}^n\sum_{j=1}^k \mathrm{N}(x_i\mid\mu_j,\sigma_j^2) \, . \qquad (*) 이 모델의 Gibbs 샘플러는 Tanner 및 …

13 bayesian  mixture  gibbs 

Gelman & Hill (2007)의 저서 (회귀 및 다중 레벨 / 계층 모델을 사용한 데이터 분석)에서 저자는 중복 평균 매개 변수를 포함하면 MCMC 속도를 높일 수 있다고 주장합니다. 주어진 예제는 "비행 시뮬레이터"(Eq 13.9)의 중첩되지 않은 모델입니다. yiγjδk∼N(μ+γj[i]+δk[i],σ2y)∼N(0,σ2γ)∼N(0,σ2δ)yi∼N(μ+γj[i]+δk[i],σy2)γj∼N(0,σγ2)δk∼N(0,σδ2) \begin{align} y_i &\sim N(\mu + \gamma_{j[i]} + \delta_{k[i]}, \sigma^2_y) \\ \gamma_j &\sim N(0, \sigma^2_\gamma) …

12 mcmc  hierarchical-bayesian  gibbs 

내가 이해하는 한 그것은 (적어도 Wikipedia가 그것을 정의 하는 방법입니다 ). 그러나 나는 Efron * (강조 추가)에 의해이 진술을 찾았습니다. Markov 체인 Monte Carlo (MCMC)는 현대 베이지안 통계의 성공 사례입니다. MCMC와 자매 방법 인 "Gibbs sampling" 은 분석 표현에 비해 너무 복잡한 상황에서 사후 분포의 수치 계산을 허용합니다. 그리고 지금 …

11 mcmc  gibbs 

내 연구의 배경 : 깁스 샘플링에서 어디 샘플 XXX (관심의 가변) 및 YYY 에서 P(X|Y)P(X|Y)P(X|Y) 및 P(Y|X)P(Y|X)P(Y|X) 는 각각 XXX 및 YYY 있는 kkk 차원 랜덤 벡터. 프로세스는 일반적으로 두 단계로 나뉩니다. 모든 샘플을 폐기하는 번인 기간. 샘플은 X1∼XtX1∼XtX_1\sim X_t 및 로 나타냅니다 Y1∼YtY1∼YtY_1\sim Y_t. 샘플을 평균화하는 "애프터 번인"기간 X¯=1k∑ki=1Xt+iX¯=1k∑i=1kXt+i\bar{X} …

11 hypothesis-testing  covariance  covariance-matrix  gibbs 

Gibbs 샘플링에 대한 다른 질문이나 Wikipedia가 언급 될까봐 두려워서 실제로 물어 보는 것이 주저하고 있지만, 그들이 실제로 무엇을 묘사하고 있는지에 대한 느낌이 없습니다. 조건부 확률 : p(x|y)p(x|y)p(x|y)p(x|y)x=x0x=x1y=y01434y=y12646p(x|y)y=y0y=y1x=x01426x=x13446 \begin{array}{c|c|c} p(x|y) & y = y_0 & y = y_1 \\ \hline x = x_0 & \tfrac{1}{4} & \tfrac{2}{6} \\ \hline x = …

11 sampling  mcmc  gibbs 

설명 변수 있고 여기서 는 주어진 좌표를 나타냅니다. 응답 변수 있습니다. 이제 두 변수를 다음과 같이 결합 할 수 있습니다.X=(X(s1),…,X(sn))X=(X(s1),…,X(sn)){\bf{X}} = \left(X(s_{1}),\ldots,X(s_{n})\right)sssY=(Y(s1),…,Y(sn))Y=(Y(s1),…,Y(sn)){\bf{Y}} = \left(Y(s_{1}),\ldots,Y(s_{n})\right) W(s)=(X(s)Y(s))∼N(μ(s),T)W(s)=(X(s)Y(s))∼N(μ(s),T){\bf{W}}({\bf{s}}) = \left( \begin{array}{ccc}X(s) \\ Y(s) \end{array} \right) \sim N(\boldsymbol{\mu}(s), T) 이 경우 간단히 μ(s)=(μ1μ2)Tμ(s)=(μ1μ2)T\boldsymbol{\mu}(s) = \left( \mu_{1} \; \; \mu_{2}\right)^{T} 를 선택하면 TTT 는 공분산 …

11 probability  bayesian  conditional-probability  gibbs