独立采样器的最优缩放：理论与实践
统计计算
2016-10-04 v2
摘要
独立采样器是最常用的MCMC算法之一，通常作为Metropolis-within-Gibbs算法的组件。独立采样器通常的关注点在于提议分布的选择，以获得尽可能高的接受率。在本文中，我们关注点略有不同，集中于在贝叶斯框架下使用独立采样器更新增广数据，其中存在独立采样器的自然提议分布。因此我们专注于更新增广数据的比例以优化独立采样器。针对独立同分布乘积密度，获得了优化独立采样器的通用准则，这反映了随机游走Metropolis算法的发现。这些通用准则在两种传染病示例中显示出超越了理想化乘积密度的狭窄限制而具有信息量。
引用
@article{arxiv.1511.04334,
title = {Optimal scaling of the independence sampler: Theory and Practice},
author = {Peter Neal and Clement Lee},
journal= {arXiv preprint arXiv:1511.04334},
year = {2016}
}
备注
21 pages, 5 figures