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。
当被积函数本身无法逐点求值时,执行数值积分是统计分析中出现的一项具有挑战性的任务,尤其是在具有难以处理的似然函数的模型的贝叶斯推断中。针对这种情况,已经提出了马尔可夫链蒙特卡罗(MCMC)算法,例如潜在变量模型的伪边际方法和一类无向图形模型的交换算法。与任何MCMC算法一样,所得到的估计量在迭代次数的限制下是渐近合理的,但由于马尔可夫链开始于平稳性之外,因此对于任何固定的迭代次数都会出现偏差。众所周知,这种“老化”偏差会使并行处理器用于MCMC计算变得复杂。我们展示了如何在通用MCMC算法的最新进展的基础上,使用耦合技术在有限时间内生成无偏估计量。通过将现有结果推广到多项式遍历马尔可夫链的情况,我们建立了其中一些过程的理论有效性。通过理论论证和包括状态空间模型和伊辛模型在内的数值实验,将所提出的估计量与标准MCMC估计量的效率进行了比较。
劳伦斯·米德尔顿。 乔治·德利吉安尼迪斯。 阿诺·多塞特(Arnaud Doucet)。 皮埃尔·雅各布。 “难处理目标分布的无偏马尔可夫链蒙特卡罗。” 电子。J.统计。 14 (2) 2842 - 2891, 2020 https://doi.org/10.1214/20-EJS1277