Bu tekrarlayan bir soru ( bu yazıya , bu yazıya ve bu yazıya bakın ), ancak farklı bir dönüşe sahibim.
Genel bir MCMC örnekleyiciden bir grup örneğim olduğunu varsayalım. Her örnek için , log olabilirlik ve log değerini biliyorum . Eğer yardımcı olursa, veri noktası başına log olasılığının değerini de biliyorum, (bu bilgi WAIC ve PSIS-LOO gibi bazı yöntemlerde yardımcı olur).
Marjinal ihtimalin (kaba) bir tahminini, sadece sahip olduğum örneklerle ve muhtemelen birkaç diğer fonksiyon değerlendirmesinde (ancak bir özel MCMC'yi değiştirmeden) elde etmek istiyorum.
Her şeyden önce, masayı temizleyelim. Harmonik tahmin edicinin şimdiye kadarki en kötü tahmin edici olduğunu hepimiz biliyoruz . Hadi devam edelim. Önceden ve posteriorlarla Gibbs örneklemesini kapalı halde yapıyorsanız, Chib'in yöntemini kullanabilirsiniz ; ancak bu davaların dışında nasıl genelleştirileceğinden emin değilim. Örnekleme prosedürünü değiştirmenizi gerektiren yöntemler de vardır (örneğin temperli posteriorlar aracılığıyla ), ancak burada bununla ilgilenmiyorum.
Düşündüğüm yaklaşım, temel dağılımın bir parametrik (veya parametrik olmayan) şekli ile yaklaştırılması ve ardından normalizasyon sabitinin bir 1-D optimizasyon problemi (yani, arasındaki bir hatayı en aza indiren olduğunu bulmaktan ibarettir. ve , örnekler üzerinde değerlendirildi). En basit durumda, posteriorun kabaca çok değişkenli normal olduğunu varsayalım, çok değişkenli bir normal olarak ve bir Laplace yaklaşımına benzer bir şey elde edin (modun konumunu iyileştirmek için birkaç ek işlev değerlendirmesi kullanmak isteyebilirim). Bununla birlikte, gibi çok değişkenli dağılımlarının değişken bir karışımı gibi daha esnek bir aileyi kullanabilirim .
Bu yöntemin sadece f ( x | θ ) f ( θ ) ' ye makul bir yaklaştığı durumlarda işe yarar , ancak bunun yapmanın neden mantıklı olamayacağına dair herhangi bir sebep veya ihtiyati öykü mü? Tavsiye edebileceğin bir okuma var mı?
Tamamen parametrik olmayan yaklaşım, Gaussian işlemi (GP) gibi bazı parametrik olmayan aileleri, (veya bunun karekök gibi bazı diğer doğrusal olmayan dönüşümleri) ve Bayesian'ye yaklaştırmak için kullanır. altta yatan hedef üzerinde örtük olarak bütünleşmek için kuadratür ( buraya ve buraya bakınız ). Bu ilginç bir alternatif yaklaşım gibi gözükse de, ruh açısından benzer (aynı zamanda, pratisyen hekimlerin benim durumumda hantal olacağına dikkat edin).