通过校准放大数据增强MCMC
Leo L.Duan、James E.Johndrow、David B.Dunson; 19(64):1−34, 2018.
摘要
人们对使贝叶斯推理更具可伸缩性有着相当大的兴趣。在大数据环境中，大多数关注点都是减少每次迭代的计算时间，而不是减少马尔可夫链蒙特卡罗（MCMC）所需的迭代次数。本文考虑了广泛使用的数据增强MCMC（DA-MCMC）技术。DA-MCMC样本在大样本中往往会变得高度自相关，这是因为存在一个错误校准问题，即给定增强数据的条件后验分布过于集中。这使得有必要收集非常长的MCMC路径以获得可接受的低MC误差。为了克服这种效率低下的问题，我们提出了一系列校准数据增强算法，它们可以适当地调整条件后验分布的方差。Metropolis-Hastings步骤用于消除产生的采样器的平稳分布中的偏差。与现有的替代方法相比，该方法通过减少自相关和增加单位计算时间内DA-MCMC样本的有效数量，可以显著减少MC误差。该方法简单，适用于多种现有数据增强算法。我们关注三个流行的广义线性模型：probit、logistic和Poisson对数线性。应用程序中显示了计算效率的显著提高。
[腹肌]
[pdf格式][围兜]
