块伪边际采样器
统计方法学
2017-09-12 v5
摘要
伪边际(PM)方法越来越多地用于统计模型的贝叶斯推断，其中似然难以处理但可无偏估计。Deligiannidis等人(2016)展示了如何通过关联底层蒙特卡洛(MC)随机数来使PM方法更高效，这些随机数用于形成未知参数的当前值和提议值处的似然估计。他们的方法大大加快了标准PM算法，因为形成最优似然估计所需样本或粒子数少得多。我们的论文提出了相关PM方法的另一种实现，称为块PM(block PM)，它将底层随机数划分为块，使得参数的提议值和当前值处的似然估计仅相差一个块中的随机数。我们表明，对于某些特定问题，这种相关PM的实现比Deligiannidis等人(2016)的实现更高效；例如当似然通过子采样估计，或似然为各项的乘积且每项由一个可通过随机化拟蒙特卡洛无偏估计的积分给出时。我们的文章提供了高效实现块PM的方法论和指南。块PM的第二个优势是，与Deligiannidis等人(2016)的实现相比，它提供了一种直接方法来控制参数当前值和提议值处似然估计的对数之间的相关性。我们基于理想化但现实的假设，获得了选择最优样本数的方法和指南。
引用
@article{arxiv.1603.02485,
title = {The Block Pseudo-Marginal Sampler},
author = {M. -N. Tran and R. Kohn and M. Quiroz and M. Villani},
journal= {arXiv preprint arXiv:1603.02485},
year = {2017}
}
备注
41 pages, 6 tables , 4 figures