1. Marjinal Olabilirlik ve Harmonik ortalama tahmincisi
Marjinal olasılık arka dağılımının normale sabiti olarak tanımlanır
p ( x ) = ∫Θp ( x | θ ) p ( θ ) dθ .
Bu miktarın önemi oynadığı rolün gelen modeli karşılaştırıldığında aracılığıyla Bayes faktörleri .
Bu miktarın yaklaştırılması için çeşitli yöntemler önerilmiştir. Raftery ve diğ. (2007) sadeliği nedeniyle hızla popüler olan Harmonik ortalama tahmincisini önermektedir . Fikir ilişkinin kullanılmasından ibarettir.
1p ( x )= ∫Θp ( θ | x )p ( x | θ )dθ .
Posterior bir örnek varsa, bu nedenle, demek , bu miktar yaklaşık olarak hesaplanabilir( θ1, . . . , θN-)
1p ( x )≈ 1N-Σj = 1N-1p ( x | θj).
Bu yaklaşım, Önem Örnekleme kavramı ile ilgilidir .
Neal'ın blogunda tartışıldığı gibi, büyük sayılar yasası uyarınca, bu tahmin edicinin tutarlı olduğunu biliyoruz . Sorun, iyi bir yaklaşım için gereken çok büyük olması olabilir. Bazı örnekler için Neal'ın bloguna veya Robert'in blogları 1 , 2 , 3 , 4'e bakın.N-
Alternatifler
yaklaşmak için birçok alternatif vardır . Chopin ve Robert (2008) bazı Önem örneklemesine dayalı yöntemler sunmaktadır.p ( x )
2. MCMC örnekleyicinizi yeterince uzun süre çalıştırmama (özellikle multimodalite varlığında)
Mendoza ve Gutierrez-Peña (1999) , iki normal aracın oranı için önceki / arkadaki referansı bulur ve gerçek bir veri seti kullanarak bu modelle elde edilen çıkarımların bir örneğini sunar. MCMC yöntemlerini kullanarak, aşağıda gösterilen ortalamaların φ oranının arka kısmının boyutunda bir örnek elde ederler.2000φ
φ ( 0.63 , 5.29 )00
( 0 , 7.25 )
3. Diğer bazı sorunlar böyle değerlendirmek yakınlaşma, değerlerini başlangıç seçenek olarak, zincirin zayıf davranışı bu bulunabilir tartışma Gelman, Carlin ve Neal tarafından.
4. Önem Örnekleme
Bir integrali yaklaştırmak için kullanılan bir metot, integralini yoğunluğu ile çarpmaktan ibarettir.g
ben= ∫f( x ) dx = ∫f( x )g( x )g( x ) dx .
g( x1, . . . , xN-)ben
ben≈ 1N-Σj = 1N-f( xj)g( xj).
gfN-
# Integrating a Student's t with 1 d.f. using a normal importance function
x1 = rnorm(10000000) # N=10,000,000
mean(dt(x1,df=1)/dnorm(x1))
# Now using a Student's t with 2 d.f. function
x2 = rt(1000,df=2)
mean(dt(x2,df=1)/dt(x2,df=2))