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。
在蒙特卡罗方法中,重要性抽样需要对提案分布进行微调,现在可以通过迭代方案顺利解决这一问题。提出了序列自适应算法来校准采样分布。Cornuet等人[扫描。J.统计。 39(2012)798–812]通过引入回收程序,显著提高了稳定性和有效样本量。然而,由于算法的复杂性,此类算法的一致性很少被解决。此外,非盟驻苏特派团估计员的回收战略增加了另一个困难,其一致性在很大程度上仍然是开放的。在这项工作中,我们证明了序列自适应采样的收敛性,在每次迭代时具有有限的蒙特卡罗样本量,并且循环过程的一致性。与Douc等人相反[安。统计师。 35(2007)420–448],这里是在渐进状态下获得的结果,其中迭代次数将趋于无穷大,而每次迭代的绘图数量是固定的,但不断增长的整数序列。因此,一些结果为最后一种情况下的自适应种群蒙特卡罗算法提供了新的思路,并就如何确定样本大小给出了建议。
Jean-Michel Marin。 皮埃尔·普德洛。 穆罕默德·塞德基。 “自适应重要性采样和回收方案的一致性。” 伯努利 25 (3) 1977 - 1998, 2019年8月。 https://doi.org/10.3150/18-BEJ1042