Metropolis-Hastings algoritmalı MCMC: Teklif seçme


13

3 parametreli bir fonksiyonun integralini değerlendirmek için bir simülasyon yapmam gerekiyor, fçok karmaşık bir formüle sahiptir. Hesaplamak için MCMC yöntemini kullanması ve Metropolis-Hastings algoritmasını şu şekilde dağıtılmış değerleri üretmek için kullanması istenir:fve teklif dağılımı olarak 3 değişkenli normal kullanılması önerildi. Bununla ilgili bazı örnekleri okuduktan sonra, bazılarının sabit parametrelerle normal kullandığını gördümN-(μ,σ) ve değişken ortalama ile bazı kullanımlar N-(X,σ), nerede X göre dağıtılan son kabul edilen değerdir f. Her iki yaklaşım hakkında da şüphelerim var:

1) Teklif dağılımımızın yeni ortalaması olarak son kabul edilen değeri seçmenin anlamı nedir? Sezgim, değerlerimizin şu şekilde dağıtılan değerlere daha yakın olacağını garanti etmesi gerektiğini söylüyor:fve kabul etme şansı daha yüksek olurdu. Ama bizim örneğimize çok fazla konsantre değil mi? Daha fazla numune alırsam zincirin durağan olacağı garanti edilir?

2) Sabit parametreleri seçmezdim (fanaliz etmek gerçekten zor) algoritmayı başlatmak için seçmemiz gereken ilk örneğe gerçekten zor ve bağımlı olmak? Bu durumda hangisinin daha iyi olduğunu bulmak için en iyi yaklaşım hangisidir?

Bu yaklaşımlardan biri diğerinden daha mı iyi, yoksa duruma bağlı mı?

Umarım şüphelerim nettir ve bazı literatür verilebilirse memnun olurum (tema hakkında bazı makaleler okudum, ama daha fazlası daha iyi!)

Şimdiden teşekkürler!

Yanıtlar:


10

1) Bu yöntemi rastgele bir yürüyüş yaklaşımı olarak düşünebilirsiniz. Teklif dağıtımıx|xt~N-(xt,σ2), genellikle Metropolis Algoritması olarak adlandırılır. Eğerσ2çok küçükse, yüksek bir kabul oranınız olacak ve hedef dağılımı çok yavaş keşfedeceksiniz. Aslında, eğerσ2çok küçük ve dağıtım çok modlu, örnekleyici belirli bir modda takılabilir ve hedef dağılımı tam olarak bulamayabilir. Öte yandan, eğerσ2çok büyükse, kabul oranı çok düşük olacaktır. Üç boyutunuz olduğundan teklif dağıtımınızın bir kovaryans matrisi olacaktırΣher boyut için farklı varyanslar ve kovaryanslar gerektirecektir. Uygun bir seçim yapmakΣ zor olabilir.

2) Teklif dağıtımınız her zaman N-(μ,σ2), teklif dağıtımınız mevcut örneğinize bağlı olmadığından bu bağımsız Metropolis-Hastings algoritmasıdır. Bu yöntem, teklif dağıtımınız örneklemek istediğiniz hedef dağıtımın iyi bir tahmini ise en iyi sonucu verir. İyi bir normal yaklaşım seçmenin zor olabileceği konusunda haklısınız.

Her iki yöntemin de başarısı, örnekleyicinin başlangıç ​​değerine bağlı olmamalıdır. Nereden başlasanız da, Markov zinciri sonunda hedef dağılıma yaklaşmalıdır. Yakınsamayı kontrol etmek için, farklı başlangıç ​​noktalarından birkaç zincir çalıştırabilir ve Gelman-Rubin yakınsaklık teşhisi gibi bir yakınsama teşhisi yapabilirsiniz.


Şu ifadeden emin değilim: "2) Teklif dağıtımınız her zaman N-(μ,σ2), teklif dağıtımınız mevcut örneğinize bağlı olmadığından bu bağımsız Metropolis-Hastings algoritmasıdır: "doğru çünkü N-(μ,σ2)simetriktir ve bu nedenle Metropolis Hasting algoritmasından ziyade Metropolis algoritması olarak adlandırılır. Kendimden tam olarak emin değilim, bu yüzden soruyu da soruyorum.
rhody

@rhody. Metropolis algoritması mevcut konumunuzdaki koşullanmayı bırakmaz. Bütün mesele, bulunduğunuz yerden simetrik bir teklifle parametre alanı etrafında yavaşça dolaşmaktır. Mevcut konumunuza ve Metropolis kabul olasılığı hesaplamasına bağlı HERHANGİ bir simetrik teklif kullanarak, sonunda hedef dağılıma yaklaşacaksınız. Bağımsız Metropolis-Hastings algoritması için, teklif dağıtımınızın hedef dağıtımın bir tahmini olmasını istiyorsunuz ve kabul olasılığı için farklı bir hesaplama kullanıyorsunuz.
jsk

@rhody. Ayrıca, normal dağılımın simetrik bir dağılım olduğu doğrudur, ancak bu burada belirtilen simetri türü değildir. Eğer q teklif dağılımınızsa, q (Y | X) = q (X | Y) ise teklif dağılımı simetriktir. Eğerq~N-(μ,σ2), o zaman q simetrik değildir çünkü q(Y)q(X) hepsi için X ve Y.
jsk

@jsk x'~N-(x,ε)simetrik kabul edilir, değil mi?
user76284
Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.