Metropolis-Hastings ve Gibbs örneklemesi gibi MCMC algoritmaları, eklem posterior dağılımlarından örnekleme yollarıdır.
Metropolis-acele etmeyi oldukça kolay anladığımı ve uygulayabildiğimi düşünüyorum - sadece bir şekilde başlangıç noktalarını seçiyorsunuz ve posterior yoğunluk ve teklif yoğunluğu tarafından yönlendirilen 'parametre boşluğunu' rastgele yürüyorsunuz. Gibbs örneklemesi, bir kerede yalnızca bir parametreyi güncellerken, diğerlerini sabit tutarken, alanı dikey bir şekilde etkili bir şekilde yürüdüğü için çok benzer ama daha verimli görünüyor.
Bunu yapmak için, * parametresinden analitik olarak her parametrenin tam koşuluna ihtiyacınız vardır. Peki bu şartlar nereden geliyor? Paydayı elde etmek için eklemix1üzerinde marjinalleştirmeniz gerekir. Bu, birçok parametre varsa analitik olarak yapmak için çok fazla iş gibi görünüyor ve ortak dağıtım çok 'hoş' değilse izlenebilir olmayabilir. Model boyunca konjugatı kullanırsanız, tüm koşulların kolay olabileceğini, ancak daha genel durumlar için daha iyi bir yol olması gerektiğini anlıyorum.
Çevrimiçi kullanımda gördüğüm Gibbs örneklemesinin tüm örnekleri oyuncak örneklerini (koşulluların kendilerinin normal olduğu çok değişkenli bir normalden örnekleme gibi) kullanır ve bu sorunu atlatmış gibi görünür.
* Yoksa analitik biçimde tam koşullara mı ihtiyacınız var? WinBUGS gibi programlar bunu nasıl yapıyor?