我们可以使用链接到您的Project Euclid帐户的电子邮件地址帮助您重置密码。
在序列蒙特卡罗(SMC)方法的几种实现中,就算法效率而言,利用样本的历史信息来优化其后续传播是自然和重要的。在本文中,我们为一类这样的适应的SMC方法。在假设的情况下,这里开发的理论框架将涵盖几种常用的SMC算法[肖邦,生物特征 89(2002) 539–551; Jasra等人。,扫描。J.统计。 38(2011) 1–22; 谢弗和肖邦,统计计算。 23(2013) 163–184]. 关于这种自适应方法的理论基础,目前只有有限的结果:我们将通过为其中一些算法提供弱大数定律(WLLN)和中心极限定理(CLT)来弥合这一差距。后者似乎是文献中同类算法的第一个结果,为许多实际数据环境中使用的算法提供了正式的证明[Jasra等人(2011);Schäfer和Chopin(2013)]。我们确定,对于一类一般的自适应SMC算法[Chopin(2002)],自适应SMC方法的估计量的渐近方差为完全相同的到使用理想建议内核的“限制”SMC算法。我们的结果得到了与Navier–Stokes模型相关的复杂高维后验分布的应用的支持,其中调整提议核的高维参数对算法的效率至关重要。
亚历山大·贝斯科斯(Alexandros Beskos)。 阿杰·贾斯拉(Ajay Jasra)。 尼古拉斯·坎塔斯。 亚历山大·蒂里(Alexandre Thiery)。 “关于自适应序贯蒙特卡罗方法的收敛性。” 附录申请。普罗巴伯。 26 (2) 1111 - 1146, 2016年4月。 https://doi.org/10.1214/15-AAP1113