Perguntas com a marcação «metropolis-hastings»

Encontrei este artigo em que diz que na amostra de Gibbs todas as amostras são aceitas. Eu estou um pouco confuso. Como é que, se toda amostra que ela aceita, converge para uma distribuição estacionária? Em geral, o algoritmo de metrópole é aceito como min (1, p (x *) / …

9 mcmc  gibbs  metropolis-hastings 

Tentei simular a partir de uma densidade bivariada usando algoritmos Metropolis em R e não tive sorte. A densidade pode ser expressa como p ( y | x ) p ( x ) , onde p ( x ) é a distribuição de Singh-Maddalap ( x , y)p(x,y)p(x,y)p ( y| …

9 sampling  monte-carlo  metropolis-hastings 

No algoritmo Metropolis – Hastings para amostragem de uma distribuição de destino, deixe: πEuπEu\pi_{i} seja a densidade alvo no estadoEuEui , πjπj\pi_j é a densidade alvo no estado propostojjj , heu jhEujh_{ij} é a densidade proposta para a transição para o estadojjj dado o estado atualEuEui , umaeu jumaEuja_{ij} é …

9 mcmc  metropolis-hastings 

Eu tenho tentado entender os diferentes problemas em ambientes frequentistas onde o MCMC é usado. Eu sei que o MCMC (ou Monte Carlo) é usado para ajustar GLMMs e talvez em algoritmos Monte Carlo EM. Existem problemas mais freqüentes em que o MCMC é usado?

8 mcmc  monte-carlo  expectation-maximization  metropolis-hastings  frequentist 

Na cadeia de Monte Carlo, Metropolis-Hastings Markov, a distribuição da proposta pode ser qualquer coisa, incluindo o gaussiano (de acordo com a Wikipedia). P: Qual é a motivação para usar algo diferente de gaussiano? O trabalho gaussiano, é fácil de avaliar, é rápido e todo mundo entende. Por que eu …

8 sampling  mcmc  monte-carlo  metropolis-hastings 

Em uma implementação do MCMC de modelos hierárquicos, com efeitos aleatórios normais e um Wishart anterior para sua matriz de covariância, a amostragem de Gibbs é normalmente usada. No entanto, se alterarmos a distribuição dos efeitos aleatórios (por exemplo, para Student-t ou outro), a conjugação será perdida. Nesse caso, qual …

8 mcmc  hierarchical-bayesian  metropolis-hastings 

Existem várias versões dos algoritmos adaptáveis ​​do Metropolis Hastings. Um é implementado na função Metro_Hastingsdo Rpacote MHadaptive, veja aqui . A referência listada lá, Spiegelhalter et al. (2002), infelizmente, não contém uma descrição de nenhum algoritmo adaptativo, até onde posso ver. No entanto, o Metro_Hastingsalgoritmo funciona muito bem na amostragem …

7 r  mcmc  metropolis-hastings 

Como é possível obter taxas de aceitação de Metropolis-Hastings perto de 1 (por exemplo, ao explorar uma distribuição unimodal com uma distribuição de proposta normal com SD muito pequeno), após o término da gravação? Eu vejo isso nas minhas próprias cadeias de MCMC, mas não entendo como isso faz sentido. …

7 mcmc  metropolis-hastings 

Eu sei que o método Inverso de Transformação nem sempre é uma boa opção para amostragem de distribuições, porque é um método analítico dependente da forma da função de distribuição. Por exemplo, a distribuição Gaussiana inversa e unidimensional é impossível de calcular, no entanto, a amostragem fornece bons resultados. Eu …

7 sampling  mcmc  metropolis-hastings  rejection-sampling 

Algum tempo atrás, Xian perguntou Qual é o equivalente para cdfs do MCMC para pdfs? A resposta ingênua seria usar o algoritmo Metropolis "aproximado" na forma Dado X(t)=x(t)X(t)=x(t)X^{(t)} = x^{(t)} 1. gerar Y∼q(y|x(t))Y∼q(y|x(t))Y \sim q(y|x^{(t)}) 2. pegue X(t+1)={Yx(t) with probability otherwise.min(F(Y+ε)−F(Y−ε)F(x(t)+ε)−F(x(t)−ε),1)X(t+1)={Y with probability min(F(Y+ε)−F(Y−ε)F(x(t)+ε)−F(x(t)−ε),1)x(t) otherwise. X^{(t+1)} = \begin{cases} Y & …

7 simulation  mcmc  cdf  metropolis-hastings