基于后验分布的提议以加速马尔可夫链蒙特卡罗
统计方法学
2019-10-25 v2 应用统计
统计计算
摘要
马尔可夫链蒙特卡罗（MCMC）被广泛用于复杂系统模型的贝叶斯推断。然而，在具有许多潜变量的模型中，由于所谓的混合不良，其性能往往不能令人满意，因此需要开发针对特定应用的实现。本文介绍了“基于后验分布的提议”（PBPs），这是一种适用于一大类统计模型（其条件依赖结构由有向无环图表示）的新型 MCMC 更新。PBPs 在参数和潜变量空间中生成大的联合更新，同时保持良好的接受率（通常为 33%）。针对差异很大的模型类型，与其他方法（从标准 Gibbs / 随机游走更新到最先进的哈密顿和粒子 MCMC 方法）进行了比较评估：用于疾病诊断测试数据的个体基础模型、金融随机波动率模型、统计遗传学中使用的混合模型以及生态学中使用的种群模型。尽管不同方法在不同情景下表现优劣不一，但发现 PBPs 要么接近最快，要么显著快于次优方法（最高达 10 倍）。因此，PBPs 代表了一种额外的通用技术，可有益地应用于多种情境。
引用
@article{arxiv.1903.10221,
title = {Posterior-based proposals for speeding up Markov chain Monte Carlo},
author = {C. M. Pooley and S. C. Bishop and A. Doeschl-Wilson and G. Marion},
journal= {arXiv preprint arXiv:1903.10221},
year = {2019}
}
备注
54 pages, 11 figures, 2 tables