×

兹马思-数学第一资源

连续分布的通用采样算法(t-walk)。(英语) Zbl 1330.62007
小结:我们开发了一个新的通用MCMC采样器,适用于不需要调整的任意连续分布。我们称之为MCMCt形人行道. t-walk在样本空间中保持了两个独立的点,所有的移动都基于提案,然后在产品空间中以标准的Metropolis-Hastings接受概率被接受。因此,t-walk在通常的温和要求下是收敛的。我们将建议分布(或称为“移动”)限制为产生对尺度不变性、对状态空间仿射变换近似不变性的算法。因此,不需要对方案进行缩放,并有效地进行坐标变换,以提高采样器的效率,因为t-walk的操作在目标分布的任何缩放版本上都是相同的。给出了四个步骤,得到了一个有效的采样算法。{
}我们使用一个简单的装置,在每一步只更新一个随机的坐标子集,以允许t-行走应用于高维问题。在一系列跨维度的测试问题中,我们发现t-walk只比优化优化算法效率低一个小因子,但显著优于一般的随机游走M-H采样器,它们没有针对特定问题进行调整。此外,对于不存在最优仿射变换的目标分布,例如在状态空间的不同区域中相关结构差异很大的目标分布,t-walk仍然有效。{
}几个例子显示了良好的混合和收敛特性,维数从1到200不等,尺度和相关结构完全不同,使用完全相同的采样器。t-walk可用于R、Python、MatLab和C++http://www.cimat.mx/~jac/twalk公司/

理学硕士:
62-04年 有关统计问题的软件、源代码等
6205年 抽样理论,抽样调查
15层62层 贝叶斯推理
60G15 高斯过程
60J22型 马尔可夫链的计算方法
65摄氏度 蒙特卡罗方法
PDF格式 BibTeX公司 XML 引用