基于马尔可夫链蒙特卡罗随机逼近的空间模型最大似然估计

我们提出了一种计算一类空间模型最大似然估计的两阶段算法。该算法结合了马尔可夫链蒙特卡罗方法（如Metropolis–Hastings–Green算法和Gibbs采样器）和随机近似方法（如离线平均和自适应搜索方向）。算法中内置了一个新标准，因此一旦设置了所需的精度，就会自动停止。利用三种空间模型对一些实际数据集进行了模拟研究和应用。我们将提出的算法与使用Wiebe小麦数据的经典Robbins–Monro算法的直接应用进行了比较，发现我们的过程至少快了15倍。