×
阿克塞尔·芬克;阿诺·杜塞特;亚当·约翰森（Adam M.Johansen）。

序列MCMC方法的极限定理。 （英文） Zbl 07378171号

高级应用程序。普罗巴伯。 52，第2期，377-403（2020年）.
概要：序列蒙特卡罗（SMC）方法（也称为“粒子过滤器”）和序列马尔可夫链蒙特卡罗方法（序列MCMC）构成了一类算法，可用于近似概率分布及其归一化常数的期望值。SMC方法在每个时间步长对粒子进行有条件独立采样，而序列MCMC方法则根据马尔可夫链蒙特卡罗（MCMC）核对粒子进行采样。二十多年前在[6]中引入的顺序MCMC方法最近吸引了新的兴趣，因为它们在某些应用中的经验性能优于SMC方法。我们建立了一个{L} r（_r）\)-不等式（这意味着一个强大的大数定律）和连续MCMC方法的中心极限定理，并提供了误差可以及时一致控制的条件。在状态空间模型的背景下，我们还提供了顺序MCMC方法在相应蒙特卡罗估计量的渐近方差方面确实优于标准SMC方法的条件。

引用于2文件

MSC公司：

65二氧化碳 蒙特卡罗方法
60F05型 中心极限和其他弱定理
60层25 \（L^p\）-极限定理
60G35型 信号检测和滤波（随机过程方面）
60J05型 一般状态空间上的离散马尔可夫过程
2015年1月62日 贝叶斯推断
68岁20岁 模拟（MSC2010）

关键词：

序贯蒙特卡罗方法;粒子过滤器;马尔可夫链蒙特卡罗方法;几乎必然收敛;多元中心极限定理;时间一致收敛
PDF格式BibTeX公司 XML格式引用
\textit{A.Finke}等人，高级应用程序。普罗巴伯。52，第2号，377--403（2020；Zbl 07378171）
全文： 内政部 arXiv公司 链接

参考文献：

[1] Andrieu，C.、Doucet，A.和Holenstein，R.（2010年）。粒子马尔可夫链蒙特卡罗方法。J.R.统计。Soc.B【统计方法学】72，269-342。经过讨论·兹比尔1411.65020
[2] Andrieu，C.、Jasra，A.、Doucet，A.和Del Moral，P.（2011年）。关于非线性马尔可夫链蒙特卡罗。伯努利17，987-1014·Zbl 1241.60037号
[3] Andrieu，C.和Roberts，G.O.（2009年）。有效蒙特卡罗计算的伪边缘方法。《统计年鉴》37，697-725·Zbl 1185.60083号
[4] Baxendale，P.H.（2005）。几何遍历马氏链的更新理论和可计算收敛速度。附录申请。探针15，700-738·兹比尔1070.60061
[5] Bercu，B.、Del Moral，P.和Doucet，A.（2012年）。相互作用马尔可夫链的波动蒙特卡罗方法。斯托克。程序。申请1221304-1331·Zbl 1244.60043号
[6] Berzuini，C.、Best，N.G.、Gilks，W.R.和Larizza，C.（1997）。动态条件独立模型和马尔可夫链蒙特卡罗方法。J.Amer。统计师。Soc.921403-1412·Zbl 0913.62025号
[7] Brockwell，A.、Del Moral，P.和Doucet，A.（2010年）。顺序交互马尔可夫链蒙特卡罗方法。《统计年鉴》38，3387-3411·Zbl 1251.65002号
[8] Carmi，A.、Septier，F.和Godsil，S.J.（2012年）。用于动态簇跟踪的高斯混合MCMC粒子算法。自动化482454-2467·Zbl 1271.93153号
[9] 肖邦，N.（2004）。序列蒙特卡罗方法的中心极限定理及其在贝叶斯推理中的应用。《统计年鉴》32，2385-2411·Zbl 1079.65006号
[10] Del Moral，P.（2004）。费曼-卡克公式：谱系和相互作用粒子系统及其应用。纽约州施普林格·Zbl 1130.60003号
[11] Del Moral，P.和Doucet，A.（2010年）。求解非线性可测方程的交互马尔可夫链蒙特卡罗方法。附录申请。探针20，593-639·Zbl 1198.65024号
[12] Douc，R.、Moulines，E.和Olsson，J.（2014）。序贯蒙特卡罗方法在可验证条件下的长期稳定性。附录申请。1767-1802年探针24·Zbl 1429.62364号
[13] Doucet，A.、Pitt，M.、Deligiannidis，G.和Kohn，R.（2015）。使用无偏似然估计量时马尔可夫链蒙特卡罗的有效实现。生物特征102295-313·Zbl 1452.62055号
[14] Finke，A.、Doucet，A.和Johansen，A.M.（2016）。关于嵌入式隐马尔可夫模型和粒子马尔可夫链蒙特卡罗方法。预打印。可在http://arxiv.org/abs/1610.08962。
[15] Golightly，A.和Wilkinson，D.J.（2006年）。非线性多元扩散的贝叶斯序列推理。统计师。计算16，323-338。
[16] Gordon，N.J.、Salmond，D.J.和Smith，A.F.M.（1993年）。非线性/非高斯贝叶斯状态估计的新方法。IEE程序。F、 雷达和信号处理140，107-113。
[17] Johansen，A.M.和Doucet，A.（2007年）。辅助变量序贯蒙特卡罗方法。技术报告07:09。布里斯托尔大学统计组。
[18] Johansen，A.M.和Doucet，A.（2008）。关于辅助粒子过滤器的注释。统计师。探针。第78期，1498-1504页·Zbl 1152.62066号
[19] Kallenberg，O.（2006）。现代概率基础。纽约州施普林格·Zbl 0996.60001号
[20] Künsch，H.R.（2005）。递归蒙特卡罗滤波器：算法和理论分析。《统计年鉴》331983-2021·Zbl 1086.62106号
[21] Künsch，H.R.（2013）。颗粒过滤器。伯努利19，1391-1403·Zbl 1275.93058号
[22] Li，Y.和Coates，M.（2017）。具有可逆颗粒流的顺序MCMC。2017年IEEE声学、语音和信号处理国际会议（ICASSP），IEEE，第3844-3848页。
[23] Lin，M.、Chen，R.和Liu，J.S.（2013）。序贯蒙特卡罗的前瞻策略。统计师。科学28，69-94·Zbl 1332.62144号
[24] Liu，J.S.（1991）。吉布斯采样器的相关结构和收敛速度。芝加哥大学博士论文。
[25] Liu，J.S.（1996）。大都市独立抽样，与拒绝抽样和重要性抽样进行比较。统计师。计算6，113-119。
[26] Mengersen，K.L.和Tweedie，R.L.（1996）。黑斯廷斯和大都会算法的收敛速度。Ann.Statistics24，101-121年·Zbl 0854.60065号
[27] Mira，A.（1998年）。蒙特卡罗马尔可夫链的排序、切片和分裂。明尼苏达大学博士论文。
[28] Pal，S.和Coates，M.（2018年）。带有离散弹性粒子采样器的顺序MCMC。IEEE统计信号处理研讨会（SSP），IEEE，第663-667页。
[29] Pitt，M.K.和Shephard，N.（1999）。通过模拟过滤：辅助粒子过滤器。J.Amer。统计师。Soc.94590-599·Zbl 1072.62639号
[30] Rudolf，D.和Ullrich，M.（2013）。点击和运行以及相关算法的积极性。电子。Commun公司。问题18，1-8·Zbl 1300.60081号
[31] Septier，F.、Pang，S.K.、Carmi，A.和Godsill，S.（2009年）。基于MCMC的贝叶斯滤波粒子方法：在多目标跟踪中的应用。在第三届IEEE多传感器自适应处理（CAMSAP）计算进展国际研讨会上，IEEE，第360-363页。
[32] Septier，F.和Peters，G.W.（2016）。基于朗之万和哈密顿量的序列MCMC用于高维空间中的高效贝叶斯滤波。IEEE J.选择。顶部。信号处理10，312-327。
[33] Shestopaloff，A.Y.和Neal，R.M.（2018）。用嵌入式HMM方法对高维非线性状态空间模型的潜在状态进行采样。贝叶斯分析.13797-822·Zbl 1448.65013号
[34] Shiryaev，A.N.（1995）。概率，第二版。纽约州施普林格·Zbl 0835.60002号
[35] Snyder，C.、Bengtsson，T.和Morzfeld，M.（2015）。使用最优方案的粒子过滤器的性能边界。周一。《天气》第143期，第4750-4761页。
[36] Whiteley，N.（2013）。一些粒子滤波器的稳定性。附录申请。探头23，2500-2537·Zbl 1296.60098号
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。