Запитання з тегом «mcmc»

Ланцюг Маркова Монте-Карло (MCMC) відноситься до класу методів генерації вибірок із цільового розподілу шляхом генерації випадкових чисел з ланцюга Маркова, стаціонарне розподіл якого є цільовим розподілом. Методи MCMC, як правило, застосовуються, коли більш прямі методи для генерації випадкових чисел (наприклад, інверсійний метод) є нездійсненними. Першим методом MCMC був алгоритм Metropolis, пізніше модифікований на алгоритм Metropolis-Hastings.

3
Оцінка параметрів динамічної лінійної моделі
Я хочу реалізувати (в R) наступну дуже просту динамічну лінійну модель, для якої у мене є 2 невідомі зміни параметрів часу (дисперсія помилки спостереження та дисперсія помилки стану ).ϵ1тϵт1\epsilon^1_tϵ2тϵт2\epsilon^2_t Yтθt + 1==θт+ ϵ1тθт+ ϵ2тYт=θт+ϵт1θт+1=θт+ϵт2 \begin{matrix} Y_t & = & \theta_t + \epsilon^1_t\\ \theta_{t+1} & = & \theta_{t}+\epsilon^2_t \end{matrix} Я хочу …
11 r  mcmc  dlm  particle-filter 
3
Чи існує стандартна методика налагодження програм MCMC?
Налагодження програм MCMC, як відомо, важко. Складність виникає через кілька питань, серед яких є: (а) Циклічність алгоритму Ітеративно ми намалюємо параметри, що обумовлюються всіма іншими параметрами. Таким чином, якщо реалізація не працює належним чином, важко виділити помилку, оскільки проблема може бути в будь-якому місці ітеративного пробника. (b) Правильна відповідь не …
11 mcmc 
2
Чому існують рекомендації щодо використання Jeffreys або льотчиків на основі ентропії для пробників MCMC?
На своїй вікі-сторінці розробники компанії Stan заявляють: Деякі принципи, які нам не подобаються: інваріантність, Джефріс, ентропія Натомість я бачу багато нормальних рекомендацій щодо розповсюдження. Поки я використовував байєсівські методи, які не покладалися на вибірку, і я був щасливий, що зрозумів, чому був хорошим вибором для біноміальних ймовірностей.θ∼Beta(α=12,β=12)θ∼Beta(α=12,β=12)\theta \sim \text{Beta}\left(\alpha=\frac{1}{2},\beta=\frac{1}{2}\right)
11 bayesian  mcmc  prior  pymc  stan 
1
R / mgcv: Чому тензорні вироби te () і ti () створюють різні поверхні?
У mgcvпакеті Rє дві функції для встановлення тензорних взаємодій між продуктами: te()і ti(). Я розумію основний розподіл праці між двома (встановлення нелінійної взаємодії проти декомпозиції цієї взаємодії на основні ефекти та взаємодію). Чого я не розумію, це чому te(x1, x2)і ti(x1) + ti(x2) + ti(x1, x2)може давати (трохи) різні результати. …
11 r  gam  mgcv  conditional-probability  mixed-model  references  bayesian  estimation  conditional-probability  machine-learning  optimization  gradient-descent  r  hypothesis-testing  wilcoxon-mann-whitney  time-series  bayesian  inference  change-point  time-series  anova  repeated-measures  statistical-significance  bayesian  contingency-tables  regression  prediction  quantiles  classification  auc  k-means  scikit-learn  regression  spatial  circular-statistics  t-test  effect-size  cohens-d  r  cross-validation  feature-selection  caret  machine-learning  modeling  python  optimization  frequentist  correlation  sample-size  normalization  group-differences  heteroscedasticity  independence  generalized-least-squares  lme4-nlme  references  mcmc  metropolis-hastings  optimization  r  logistic  feature-selection  separation  clustering  k-means  normal-distribution  gaussian-mixture  kullback-leibler  java  spark-mllib  data-visualization  categorical-data  barplot  hypothesis-testing  statistical-significance  chi-squared  type-i-and-ii-errors  pca  scikit-learn  conditional-expectation  statistical-significance  meta-analysis  intuition  r  time-series  multivariate-analysis  garch  machine-learning  classification  data-mining  missing-data  cart  regression  cross-validation  matrix-decomposition  categorical-data  repeated-measures  chi-squared  assumptions  contingency-tables  prediction  binary-data  trend  test-for-trend  matrix-inverse  anova  categorical-data  regression-coefficients  standard-error  r  distributions  exponential  interarrival-time  copula  log-likelihood  time-series  forecasting  prediction-interval  mean  standard-error  meta-analysis  meta-regression  network-meta-analysis  systematic-review  normal-distribution  multiple-regression  generalized-linear-model  poisson-distribution  poisson-regression  r  sas  cohens-kappa 
5
Алгоритм Метрополіс Гастінгс
Мені потрібно вивчити методи Марковського ланцюга Монте-Карло, щоб бути більш конкретним, мені потрібно вивчити алгоритм Metropolis Hastings і все про нього, як критерії конвергенції. Хто може прописати мені книгу, або папір, або веб-сайт, які пояснюють цей аргумент за допомогою простих термінів, але без банальності?
11 references  mcmc 
2
Розподіл пропозицій для узагальненого нормального розподілу
Я моделюю розповсюдження рослин за допомогою узагальненого нормального розподілу ( запис у Вікіпедії ), який має функцію щільності ймовірності: b2aΓ(1/b)e−(da)bb2aΓ(1/b)e−(da)b \frac{b}{2a\Gamma(1/b)} e^{-(\frac{d}{a})^b} де ddd - пройдена відстань, aaa - параметр масштабу, а bbb - параметр форми. Середня пройдена відстань задається стандартним відхиленням цього розподілу: a2Γ(3/b)Γ(1/b)−−−−−−−−√a2Γ(3/b)Γ(1/b) \sqrt{\frac{a^2 \Gamma(3/b)}{\Gamma(1/b)}} Це зручно, оскільки …
1
Чи реалізований пробовідбірник Монте-Карло / MCMC, який може мати справу з ізольованими локальними максимумами заднього розподілу?
Наразі я використовую байєсівський підхід для оцінки параметрів для моделі, що складається з декількох ОР. Оскільки у мене є 15 параметрів для оцінювання, мій пробний простір є 15-мірним, і мій пошук заднього розподілу, здається, має багато локальних максимумів, дуже відокремлених великими регіонами з дуже низькою ймовірністю. Це призводить до проблем …
1
Запобігання відбору зразків важливої ​​важливості Pareto (PSIS-LOO) не виходить з ладу
Нещодавно я почав використовувати випробування з виборкою важливістю Pareto важливої ​​вибіркової перехресної перевірки (PSIS-LOO), описаної в цих роботах: Vehtari, A., & Gelman, A. (2015). Парето вирівнював важливість вибірки. додрук arXiv ( посилання ). Vehtari, A., Gelman, A., & Gabry, J. (2016). Практичне оцінювання байесівської моделі з використанням перехресної валідації "відключення" …
1
Управління високою автокореляцією в MCMC
Я будую досить складну ієрархічну байєсівську модель для мета-аналізу з використанням R та JAGS. Дещо спрощуючи, два ключових рівні моделі мають де - це е спостереження кінцева точка (в даному випадку ГМ проти врожайності генетично модифікованих культур) у дослідженні , - ефект для дослідження , s - ефекти для різних …
2
Чи можна використовувати ітерації MCMC після опіку для оцінки щільності?
Чи можемо ми після використання запису безпосередньо використовувати ітерації MCMC для оцінки щільності, наприклад, шляхом побудови гістограми чи оцінки щільності ядра? Мене турбує те, що ітерації MCMC не обов'язково є незалежними, хоча вони максимум однаково розподілені. Що робити, якщо ми додатково застосуємо проріджування до ітерацій MCMC? Мене хвилює те, що …
2
Навчальний посібник з вибору зразків Метрополіс-Гастінгса та Гіббса
Я маю досить хороший практичний досвід роботи з вибіркою Metropolis-Hastings та Gibbs, але хочу краще математичне розуміння цих алгоритмів. Які хороші підручники чи статті, які підтверджують правильність цих пробників (більше алгоритмів також було б чудово)?
3
Використання MCMC для оцінки очікуваного значення високовимірної функції
Я працюю над дослідницьким проектом, пов’язаним з оптимізацією, і нещодавно виникла ідея використовувати MCMC у цій обстановці. На жаль, я досить новачок у методах MCMC, тому у мене виникло кілька питань. Почну з опису проблеми, а потім задаю свої запитання. Наша проблема зводиться до оцінки очікуваного значення функції витрат де …
2
Цензура / укорочення в JAGS
У мене питання про те, як укласти проблему цензури в JAGS. Я спостерігаю, як біваріантна суміш нормальна, коли значення X мають похибку вимірювання. Я б хотів моделювати справжні основні "засоби" спостережуваних цензурованих значень. ⌈xtrue+ϵ⌉=xobserved ϵ∼N(0,sd=.5)⌈xtrue+ϵ⌉=xobserved ϵ∼N(0,sd=.5)\begin{align*} \lceil x_{true}+\epsilon \rceil = x_{observed} \ \epsilon \sim N(0,sd=.5) \end{align*} Ось що я маю …
5
Створити випадкові багатовимірні значення з емпіричних даних
Я працюю над функцією Монте-Карло для оцінки кількох активів з частково корельованою віддачею. В даний час я просто генерую коваріаційну матрицю і подаю на rmvnorm()функцію в Р. (Створює корельовані випадкові значення.) Однак, дивлячись на розподіл прибутку активу, він зазвичай не розподіляється. Це дійсно питання з двох частин: 1) Як я …
10 mcmc  monte-carlo  pdf 
Використовуючи наш веб-сайт, ви визнаєте, що прочитали та зрозуміли наші Політику щодо файлів cookie та Політику конфіденційності.
Licensed under cc by-sa 3.0 with attribution required.