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


11

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?


Tam olarak hatırlamıyorum, ancak çoğu zaman doğru olmayan çok güçlü varsayımlar yaptığını biliyorum.

3
Yorumunuz hakkında ne tür varsayımlardan bahsediyorsunuz?
Stéphane Laurent

Yanıtlar:


3

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.


HATA ve JAGS belgelerini çok iyi bilmiyorum, bu rapor nerede BTW?
altroware

@altroware Belgeleri de iyi bilmiyorum, üzgünüm. rjagsKullandığı örnekleri listeleyen bir işlevi olduğunu biliyorum , gibi bir şey list_samplersama bunu Rbulmak için her zamanki belgeleri kontrol edebilirsiniz .
adam

0

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 .π()θiθiθiθi

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 .θi


Elbette kavramsal olarak basit, ama pratikte benim için tüm şartlar için kapalı form ifadelerinin algoritmik bir şekilde türetilmesi önemsiz olacaktır. DAG'ın her katmanında, her türlü dönüştürmeye sahip olabilirsiniz - çarpımsal etkileşimler, mutlak değer, log, karekök dönüşümleri vb. Ayrıca eşlenik olmayan ilişkiler de vardır.
user4733

Tam şartlı dağılımlar için ifadeleri otomatik olarak algoritmik olarak nasıl entegre edebileceğim bana açık değil. Belki de bu programlar, tüm şartlar için kapalı biçimli ifadeler almaktan kaçınır, ancak bunun pratikte nasıl uygulandığını daha iyi anlamaya çalışıyorum.
user4733

Normalleştirme sabiti önemli değil, bu yüzden her zaman kapalı form ifadeleri vardır çünkü sadece kapalı form ifadelerini çoğaltırız. Hayır ? (Yoruldum)
Stéphane Laurent

Hataların koşullu dağılımı belirlemesi benim için de oldukça zor görünüyor. Belki de DAG sürecinin bir örneğini (önemsiz olmayan) sağlamak yardımcı olacaktır ...
Glen

@Glen Size zorluk veren bir örnek verirseniz, muayeneyi yaparım.
Camgöbeği
Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.