中文

跨模型马尔可夫链蒙特卡洛算法的混合效率及其在贝叶斯系统发育学中的应用

统计计算 2026-07-08 v1
作者: Xiyun Jiao , Thomas Flouris , Ziheng Yang
在 arXiv 上查看 ↗ PDF ↗

摘要

跨模型马尔可夫链蒙特卡洛(MCMC) 算法广泛用于贝叶斯推断，在贝叶斯系统发育学中尤为重要，因为系统发育树代表不同的统计模型。虽然该算法允许极大的灵活性，但其混合效率可能差异巨大，且人们对其知之甚少。在这里，我们使用数学分析和模拟来探索跨模型 MCMC 提议的混合效率，包括模型提议概率和模型参数的提议核。我们的分析证实了这样一种直觉，即人们应该优先提议具有高后验概率的模型，并尽可能从后验中提议参数值。我们的结果为构建高效的跨模型 MCMC 算法提供了指导原则。这些原则被应用于使用灵长类和哺乳动物的两个真实数据集进行系统发育重建的 MCMC 算法中。

关键词

跨模型 MCMC 混合效率 贝叶斯系统发育学 提议核 后验概率 系统发育重建

引用

@article{arxiv.2607.07188,
  title  = {Mixing efficiency of trans-model Markov chain Monte Carlo algorithms with applications in Bayesian phylogenetics},
  author = {Xiyun Jiao and Thomas Flouris and Ziheng Yang},
  journal= {arXiv preprint arXiv:2607.07188},
  year   = {2026}
}