elhmc：用于贝叶斯经验似然中哈密顿蒙特卡洛采样的 R 包
其他统计学
2022-09-07 v1 统计计算
机器学习
摘要
在本文中，我们描述了一个使用哈密顿蒙特卡洛方法从基于经验似然的后验中采样的 {\tt R} 包。近年来，基于经验似然的方法已被用于许多感兴趣问题的贝叶斯建模。这种半参数过程能轻松地将非参数分布估计器的灵活性与参数模型的可解释性结合起来。模型由基于估计方程的约束所指定。从贝叶斯经验似然（BayesEL）后验中推断具有挑战性。似然是数值计算的，因此不存在后验的封闭表达式。此外，对于任意有限大小的样本，似然的支撑是非凸的，这阻碍了许多马尔可夫链蒙特卡洛（MCMC）过程的快速混合。最近研究表明，利用对数经验似然梯度的性质，可以设计一种高效的哈密顿蒙特卡洛（HMC）算法来从 BayesEL 后验中采样。该包仅要求用户指定估计方程、先验及其各自的梯度。由此可获得从参数 BayesEL 后验抽取的 MCMC 样本，以及用户所需的各种细节。
引用
@article{arxiv.2209.01289,
title = {elhmc: An R Package for Hamiltonian Monte Carlo Sampling in Bayesian Empirical Likelihood},
author = {Dang Trung Kien and Neo Han Wei and Sanjay Chaudhuri},
journal= {arXiv preprint arXiv:2209.01289},
year = {2022}
}