Pytania otagowane jako mcmc

Łańcuch Markowa Monte Carlo (MCMC) odnosi się do klasy metod generowania próbek z rozkładu docelowego poprzez generowanie liczb losowych z łańcucha Markowa, którego rozkład stacjonarny jest rozkładem docelowym. Metody MCMC są zwykle stosowane, gdy bardziej bezpośrednie metody generowania liczb losowych (np. Metoda inwersji) są niemożliwe. Pierwszą metodą MCMC był algorytm Metropolis, później zmodyfikowany do algorytmu Metropolis-Hastings.

2
Próbkowanie Gibbsa w porównaniu z ogólnym MH-MCMC
Właśnie czytałem trochę na temat próbkowania Gibbsa i algorytmu Metropolis Hastings i mam kilka pytań. Jak rozumiem, w przypadku próbkowania Gibbsa, jeśli mamy duży problem wielowymiarowy, próbkujemy z rozkładu warunkowego, tj. Próbkujemy jedną zmienną, utrzymując wszystkie pozostałe w stałym, podczas gdy w MH próbkujemy z pełnego wspólnego rozkładu. Jedną rzeczą, …
4
Algorytmy Metropolis-Hastings stosowane w praktyce
Czytałem dziś blog Christiana Roberta i całkiem podobał mi się nowy algorytm Metropolis-Hastings, o którym rozmawiał. Wydawało się proste i łatwe do wdrożenia. Ilekroć koduję MCMC, mam tendencję do trzymania się bardzo podstawowych algorytmów MH, takich jak niezależne ruchy lub losowe spacery na skali dziennika. Z jakich algorytmów MH ludzie …
4
Jakie są prawidłowe wartości precyzji i przywołania w przypadkach krawędzi?
Precyzja jest zdefiniowana jako: p = true positives / (true positives + false positives) Czy jest to prawidłowe, że, jak true positivesi false positivespodejście 0, precyzja zbliża 1? To samo pytanie do przypomnienia: r = true positives / (true positives + false negatives) Obecnie wdrażam test statystyczny, w którym muszę …
20 precision-recall  data-visualization  logarithm  references  r  networks  data-visualization  standard-deviation  probability  binomial  negative-binomial  r  categorical-data  aggregation  plyr  survival  python  regression  r  t-test  bayesian  logistic  data-transformation  confidence-interval  t-test  interpretation  distributions  data-visualization  pca  genetics  r  finance  maximum  probability  standard-deviation  probability  r  information-theory  references  computational-statistics  computing  references  engineering-statistics  t-test  hypothesis-testing  independence  definition  r  censoring  negative-binomial  poisson-distribution  variance  mixed-model  correlation  intraclass-correlation  aggregation  interpretation  effect-size  hypothesis-testing  goodness-of-fit  normality-assumption  small-sample  distributions  regression  normality-assumption  t-test  anova  confidence-interval  z-statistic  finance  hypothesis-testing  mean  model-selection  information-geometry  bayesian  frequentist  terminology  type-i-and-ii-errors  cross-validation  smoothing  splines  data-transformation  normality-assumption  variance-stabilizing  r  spss  stata  python  correlation  logistic  logit  link-function  regression  predictor  pca  factor-analysis  r  bayesian  maximum-likelihood  mcmc  conditional-probability  statistical-significance  chi-squared  proportion  estimation  error  shrinkage  application  steins-phenomenon 
1
Kiedy należy użyć próbkowania Gibbsa zamiast Metropolis-Hastings?
Istnieją różne rodzaje algorytmów MCMC: Metropolis-Hastings Gibbs Próbkowanie pod kątem ważności / odrzucenia (powiązane). Dlaczego warto korzystać z próbkowania Gibbs zamiast Metropolis-Hastings? Podejrzewam, że zdarzają się przypadki, w których wnioskowanie jest łatwiejsze w przypadku próbkowania Gibbsa niż w przypadku Metropolis-Hastings, ale nie mam jasności co do szczegółów.
1
Jakie algorytmy / techniki MCMC są stosowane do dyskretnych parametrów?
Wiem sporo o dopasowywaniu parametrów ciągłych, szczególnie metod opartych na gradiencie, ale niewiele o dopasowywaniu parametrów dyskretnych. Jakie są powszechnie stosowane algorytmy / techniki MCMC do dopasowania dyskretnych parametrów? Czy istnieją algorytmy, które są zarówno dość ogólne, jak i dość wydajne? Czy istnieją algorytmy, które dobrze radzą sobie z przekleństwem …
19 bayesian  mcmc 
2
Kiedy MCMC stało się powszechne?
Czy ktoś wie, w którym roku MCMC stało się powszechne (tj. Popularna metoda wnioskowania bayesowskiego)? Szczególnie pomocny byłby link do liczby opublikowanych artykułów MCMC (czasopism) w czasie.
19 bayesian  mcmc  history 
2
Dlaczego konieczne jest pobieranie próbek z rozkładu tylnego, jeśli już WIEMY rozkład tylny?
Rozumiem, że stosując podejście bayesowskie do szacowania wartości parametrów: Rozkład tylny jest kombinacją rozkładu wcześniejszego i rozkładu prawdopodobieństwa. Symulujemy to, generując próbkę z rozkładu tylnego (np. Przy użyciu algorytmu Metropolis-Hasting do generowania wartości i akceptujemy je, jeśli przekraczają pewien próg prawdopodobieństwa przynależności do rozkładu tylnego). Po wygenerowaniu tej próbki używamy …
3
Czy MCMC nie ma pamięci?
Próbuję zrozumieć, czym jest łańcuch Markov Monte Carlo (MCMC) ze strony francuskiej Wikipedii. Mówią, że „metody Monte Carlo w łańcuchu Markowa polegają na generowaniu wektora xjaxjax_ {i} tylko z danych wektorowych xi - 1xja-1x_ {i-1} , dlatego jest to proces„ bez pamięci ”” Les méthodes de Monte-Carlo par chaînes de …
18 mcmc 
1
MCMC w ograniczonej przestrzeni parametrów?
Próbuję zastosować MCMC do problemu, ale moje priorytety (w moim przypadku są to α∈[0,1],β∈[0,1]α∈[0,1],β∈[0,1]\alpha\in[0,1],\beta\in[0,1] )) są ograniczone do obszaru? Czy mogę użyć normalnego MCMC i zignorować próbki, które wypadną poza strefę ograniczoną (która w moim przypadku wynosi [0,1] ^ 2), tj. Funkcja przejścia do ponownego wykorzystania, gdy nowe przejście wypadnie …
1
Czy algorytm Gibbs Sampling gwarantuje szczegółową równowagę?
Mam najwyższą władzę 1, że Gibbs Sampling jest szczególnym przypadkiem algorytmu Metropolis-Hastings do próbkowania Markov Chain Monte Carlo. Algorytm MH zawsze daje prawdopodobieństwo przejścia z właściwością równowagi szczegółowej; Spodziewam się, że Gibbs też powinien. Więc gdzie w poniższym prostym przypadku popełniłem błąd? Dla rozkładu docelowego π(x,y)π(x,y)\pi(x, y) na dwóch zmiennych …
17 mcmc  gibbs 
2
Naciśnij i uruchom MCMC
Próbuję wdrożyć algorytm MCMC, ale mam trochę problemów ze zrozumieniem, jak sobie z tym poradzić. Ogólna idea jest następująca: Aby wygenerować skok propozycji w MH, my: Wygeneruj kierunek z rozkładu na powierzchni kuli jednostkowej OdddOO\mathcal{O} Wygeneruj podpisaną odległość wzdłuż ograniczonej przestrzeni.λλ\lambda Nie mam jednak pojęcia, jak powinienem zaimplementować to w …
16 r  bayesian  mcmc 
1
Stan
Przeglądałem dokumentację Stana, którą można pobrać stąd . Byłem szczególnie zainteresowany ich wdrożeniem diagnostyki Gelmana-Rubina. Oryginalny artykuł Gelman i Rubin (1992) definiuje potencjalny współczynnik redukcji skali (PSRF) w następujący sposób: Niech Xi,1,…,Xi,NXi,1,…,Xi,NX_{i,1}, \dots , X_{i,N} będą iii -tym łańcuchem Markowa, z którego pobrano próbkę, i niech będzie próbka z całych …
2
Czym ABC i MCMC różnią się w swoich aplikacjach?
O ile mi wiadomo, przybliżone obliczenia bayesowskie (ABC) i łańcuch Markowa Monte Carlo (MCMC) mają bardzo podobne cele. Poniżej opisuję moje rozumienie tych metod oraz sposób, w jaki postrzegam różnice w ich zastosowaniu do rzeczywistych danych. Przybliżone obliczenia bayesowskie ABC polega na pobraniu próbek parametru θθ\theta z poprzedniego poprzez symulację …
2
Próbkowanie z niewłaściwej dystrybucji (przy użyciu MCMC i innych)
Moje podstawowe pytanie brzmi: w jaki sposób próbowałbyś z niewłaściwej dystrybucji? Czy sens ma nawet próbkowanie z niewłaściwej dystrybucji? Komentarz Xi'ana tutaj w pewnym sensie odpowiada na pytanie, ale szukałem więcej szczegółów na ten temat. Bardziej specyficzne dla MCMC: Mówiąc o MCMC i czytając artykuły, autorzy podkreślają, że uzyskali prawidłowe …
2
Prognozy z modelu BSTS (w R) zawodzą całkowicie
Po przeczytaniu tego postu na blogu o Bayesowskich modelach strukturalnych szeregów czasowych, chciałem spojrzeć na wdrożenie tego w kontekście problemu, w którym wcześniej korzystałem z ARIMA. Mam pewne dane z niektórymi znanymi (ale hałaśliwymi) komponentami sezonowymi - z pewnością są to komponenty roczne, miesięczne i tygodniowe, a także pewne efekty …
15 r  time-series  bayesian  mcmc  bsts 
Korzystając z naszej strony potwierdzasz, że przeczytałeś(-aś) i rozumiesz nasze zasady używania plików cookie i zasady ochrony prywatności.
Licensed under cc by-sa 3.0 with attribution required.