BUGS / JAGS gibi programlar Gibbs örneklemesi için koşullu dağılımları otomatik olarak nasıl belirler?

Tam koşullu koşulların türetilmesi genellikle zordur, ancak JAGS ve HATA gibi programlar otomatik olarak türetilir. Birisi herhangi bir keyfi model belirtimi için algoritmik olarak tam koşulların nasıl oluşturulduğunu açıklayabilir mi?

Diğer cevaplar hakkındaki yorumları okuyarak, sorulması amaçlanan soruya doğru cevabın genel olarak "yapmadıkları" olduğuna inanıyorum. Daha önce de belirtildiği gibi, bir DAG inşa ederler ve Markov battaniyesine bakarlar ve sonra (kabaca) aşağıdakileri yaparlar.

1. Bir düğümün etrafındaki Markov battaniyesi, arama tablosundaki tekniği kullanan bir arama tablosundaki (örneğin, eşlenik olduğu için) tam bir koşula karşılık gelirse.
2. Aksi takdirde, normal olmayan tam koşullu yoğunluğun (hesaplanması önemsiz olan) log içbükey olup olmadığını kontrol edin. Öyleyse, uyarlanabilir ret örneklemesi kullanın.
3. Başka, yaklaşık dağılımından örneklemek için Metropolis-Gibbs içinde örnek kullanarak örnek. Bu kesin bir örnek olmasa da, bu algoritmanın hala posterior değişmez kaldığı gösterilebilir.

Tam olarak yapılan bu değil; örneğin, JAGS blok güncellemeleri oluşturmak için başka hileler kullanır. Ancak bu ne yaptıklarına dair bir fikir vermelidir.

Tam koşulların neden zor olduğunu düşündüğünüzden emin değilim. Hem parametreler hem de veriler için tam bir olasılık önceden olasılık yoğunluğu verildiğinde , örneğin verilen nin tam koşulu ve verilerin türetilmesi kolaydır: bu sadece eklemle orantılıdır parametreler ve veriler için önceden. 'nin hangi öğelerinin için tam koşuldan atılabileceğini inceleyerek kolaydır .$\pi(\cdot)$$\theta_i$$\theta_{-i}$$\theta_{-i}$$\theta_i$

Otomatik Gibbs örnekleyicileri bu "incelemeyi" bir model spesifikasyonunu olasılıklı yönlendirilmiş bir asiklik grafik modeline ayrıştırarak yaparlar . Daha sonra tam eklem yoğunluğu ile orantılı olarak tam conditionals hesaplamak sitesindeki Markov battaniye .$\theta_i$