针对线性时刻条件的准贝叶斯推断的改进延迟接受 MCMC
统计计算
2026-02-18 v5 计量经济学
摘要
我们发展了一个基于线性时刻条件的准贝叶斯推断的高效计算框架。该方法采用延迟接受 Markov chain Monte Carlo（DA-MCMC）算法，使用 surrogate target kernel 和源自准似后验的 proposal distribution，从而利用准似似然的结构。引入两种实现方式。DA-MCMC-Exact 完全将先验信息纳入 proposal distribution，并最大化每迭代效率；而 DA-MCMC-Approx 则在 proposal 中省略先验，以减少矩阵逆运算，提高在高维情况下的数值稳定性和计算速度。对异方差线性回归的仿真研究表明，本方法在 multivariate effective sample size per iteration 和 per second 两个指标上显著优于标准 MCMC 和传统 DA-MCMC 基线。Approx 变体实现了最佳整体吞吐量，而 Exact 变体实现了最高的每迭代效率。将应用于两个经验性工具变量回归，验证了这些发现：Approx 实现在规模更大的设计中可行，而其他方法则变得不实用，但仍能提供精确推断。虽然针对基于时刻的准后验开发，但该方法也适用于当一阶条件为线性且可类比变换时，风险的准贝叶斯表述。总体而言，所提出的算法为统计应用中的准贝叶斯分析提供了一个实用且稳健的工具。
引用
@article{arxiv.2511.17117,
title = {Modified Delayed Acceptance MCMC for Quasi-Bayesian Inference with Linear Moment Conditions},
author = {Masahiro Tanaka},
journal= {arXiv preprint arXiv:2511.17117},
year = {2026}
}