Pertanyaan yang diberi tag «mcmc»

Rantai Markov Monte Carlo (MCMC) mengacu pada kelas metode untuk menghasilkan sampel dari distribusi target dengan menghasilkan angka acak dari Rantai Markov yang distribusi stasionernya adalah distribusi target. Metode MCMC biasanya digunakan ketika metode yang lebih langsung untuk pembuatan bilangan acak (misalnya metode inversi) tidak layak. Metode MCMC pertama adalah algoritma Metropolis, kemudian dimodifikasi menjadi algoritma Metropolis-Hastings.

3
Memperkirakan parameter model linear yang dinamis
Saya ingin menerapkan (dalam R) Model Dynamic Linear berikut yang sangat sederhana yang saya punya 2 parameter waktu yang tidak diketahui (varian kesalahan pengamatan dan varian kesalahan negara ).ϵ1tϵt1\epsilon^1_tϵ2tϵt2\epsilon^2_t Ytθt+1==θt+ϵ1tθt+ϵ2tYt=θt+ϵt1θt+1=θt+ϵt2 \begin{matrix} Y_t & = & \theta_t + \epsilon^1_t\\ \theta_{t+1} & = & \theta_{t}+\epsilon^2_t \end{matrix} Saya ingin memperkirakan parameter ini di …
11 r  mcmc  dlm  particle-filter 
3
Apakah ada teknik standar untuk men-debug program MCMC?
Program debugging MCMC terkenal sulit. Kesulitan muncul karena beberapa masalah beberapa di antaranya adalah: (A) Sifat siklik dari algoritma Kami secara iteratif menggambar parameter yang tergantung pada semua parameter lainnya. Dengan demikian, jika suatu implementasi tidak berfungsi dengan benar maka sulit untuk mengisolasi bug karena masalahnya dapat berada di mana …
11 mcmc 
2
Mengapa ada rekomendasi yang menentang penggunaan Jeffreys atau prior berdasarkan entropi untuk MCMC sampler?
Di halaman wiki mereka , pengembang status Stan: Beberapa prinsip yang tidak kita sukai: invarian, Jeffreys, entropi Sebagai gantinya, saya melihat banyak rekomendasi distribusi normal. Sejauh ini saya menggunakan metode Bayesian yang tidak bergantung pada pengambilan sampel, dan agak senang telah memahami mengapa adalah pilihan yang baik untuk kemungkinan binomial.θ …
11 bayesian  mcmc  prior  pymc  stan 
1
R / mgcv: Mengapa produk tensor () dan ti () menghasilkan permukaan yang berbeda?
The mgcvpaket untuk Rmemiliki dua fungsi untuk pas interaksi produk tensor: te()dan ti(). Saya memahami pembagian kerja dasar antara keduanya (menyesuaikan interaksi non-linear vs menguraikan interaksi ini menjadi efek utama dan interaksi). Yang tidak saya mengerti adalah mengapa te(x1, x2)dan ti(x1) + ti(x2) + ti(x1, x2)mungkin menghasilkan (sedikit) hasil yang …
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
Algoritma Metropolis Hastings
Saya perlu mempelajari metode Markov Chain Monte Carlo, untuk lebih spesifik saya perlu mempelajari algoritma Metropolis Hastings dan semua tentang itu seperti kriteria konvergensi. Siapa yang dapat meresepkan saya buku, atau kertas, atau situs web, yang menjelaskan argumen ini menggunakan istilah sederhana, tetapi tanpa sepele?
11 references  mcmc 
1
Menggabungkan beberapa rantai MCMC paralel menjadi satu rantai yang lebih panjang
Mari kita mengatakan bahwa salah satu telah menjalankan rantai paralel MCMC di mana masing-masing rantai memiliki burn-in. Biarkan rantai yang dihasilkan akan dilambangkan dengan di mana adalah panjang masing-masing rantai setelah burn-in.mmmx(i)1,…,x(i)N for i=1,…,m,x1(i),…,xN(i) for i=1,…,m, x_1^{(i)},\dots,x_N^{(i)} \quad \text{ for } i=1,\dots,m,NNN Jika seseorang ingin menggabungkan rantai ini ke dalam …
2
Distribusi proposal untuk distribusi normal umum
Saya memodelkan penyebaran tanaman menggunakan distribusi normal umum ( entri wikipedia ), yang memiliki fungsi kerapatan probabilitas: b2aΓ(1/b)e−(da)bb2aΓ(1/b)e−(da)b \frac{b}{2a\Gamma(1/b)} e^{-(\frac{d}{a})^b} di mana adalah jarak yang ditempuh, adalah parameter skala, dan adalah parameter bentuk. Berarti jarak yang ditempuh diberikan oleh standar deviasi dari distribusi ini:dddSebuahaabbb Sebuah2Γ ( 3 / b )Γ …
1
Apakah ada sampler Monte Carlo / MCMC yang diimplementasikan yang dapat menangani maxima distribusi posterior lokal yang terisolasi?
Saat ini saya menggunakan pendekatan bayesian untuk memperkirakan parameter untuk model yang terdiri dari beberapa ODE. Karena saya memiliki 15 parameter untuk diperkirakan, ruang pengambilan sampel saya adalah 15-dimensi dan pencarian saya untuk distribusi posterior tampaknya memiliki banyak maxima lokal yang sangat terisolasi oleh daerah besar dengan probabilitas sangat rendah. …
1
Mencegah kegagalan pengambilan sampel Pareto smoothed importance (PSIS-LOO)
Saya baru-baru ini mulai menggunakan Pareto smoothed pentingnya pengambilan sampel validasi silang keluar-keluar-keluar (PSIS-LOO), yang dijelaskan dalam makalah ini: Vehtari, A., & Gelman, A. (2015). Pareto memuluskan sampel kepentingan. pracetak arXiv ( tautan ). Vehtari, A., Gelman, A., & Gabry, J. (2016). Evaluasi model Bayesian praktis menggunakan validasi silang tinggalkan-keluar-keluar …
1
Mengelola autokorelasi tinggi di MCMC
Saya sedang membangun model Bayesian hierarkis yang agak rumit untuk meta-analisis menggunakan R dan JAGS. Menyederhanakan sedikit, dua tingkat kunci dari model memiliki mana adalah th pengamatan titik akhir (dalam hal ini, hasil panen GM vs non-GM) dalam studi , adalah efek untuk studi , s adalah efek untuk berbagai …
2
Dapatkah iterasi MCMC setelah terbakar digunakan untuk estimasi kepadatan?
Setelah burn-in, bisakah kita langsung menggunakan iterasi MCMC untuk estimasi kepadatan, seperti dengan memplot histogram, atau estimasi kepadatan kernel? Kekhawatiran saya adalah bahwa iterasi MCMC belum tentu independen, meskipun paling banyak didistribusikan secara identik. Bagaimana jika kita menerapkan penjarangan lebih lanjut pada iterasi MCMC? Kekhawatiran saya adalah bahwa iterasi MCMC …
2
Buku Teks berasal Sampling Metropolis-Hastings dan Gibbs
Saya memiliki pengalaman praktis yang cukup baik dengan sampel Metropolis-Hastings dan Gibbs, tetapi saya ingin mendapatkan pemahaman matematis yang lebih baik tentang algoritma ini. Apa saja buku teks atau artikel bagus yang membuktikan kebenaran sampler ini (lebih banyak algoritme juga bagus)?
3
Menggunakan MCMC untuk mengevaluasi nilai yang diharapkan dari fungsi dimensi tinggi
Saya sedang mengerjakan proyek penelitian yang terkait dengan optimasi dan baru-baru ini punya ide untuk menggunakan MCMC dalam pengaturan ini. Sayangnya, saya cukup baru untuk metode MCMC jadi saya punya beberapa pertanyaan. Saya akan mulai dengan menjelaskan masalahnya dan kemudian mengajukan pertanyaan saya. Masalah kita bermuara memperkirakan nilai yang diharapkan …
2
Penyensoran / Pemotongan dalam JAGS
Saya punya pertanyaan tentang bagaimana menyesuaikan masalah sensor di JAGS. Saya mengamati campuran bivariat normal di mana nilai X memiliki kesalahan pengukuran. Saya ingin memodelkan 'sarana' yang mendasari sebenarnya dari nilai-nilai yang disensor yang diamati. ⌈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*} Inilah yang …
Dengan menggunakan situs kami, Anda mengakui telah membaca dan memahami Kebijakan Cookie dan Kebijakan Privasi kami.
Licensed under cc by-sa 3.0 with attribution required.