使用粒子独立Metropolis-Hastings的无偏平滑
统计计算
2019-02-06 v1 统计方法学
机器学习
摘要
我们考虑在给定含噪观测下，对隐马尔可夫过程分布之期望的近似。这被称为平滑问题，常采用粒子与马尔可夫链蒙特卡洛(MCMC)方法处理。这些方法在有限时间运行时给出一致但有偏的估计量。我们提出一种简单方法，耦合两条使用粒子独立Metropolis-Hastings(PIMH)构建的MCMC链，以产生无偏平滑估计量。无偏估计量在并行计算场景下颇具吸引力，并便于构造置信区间。所提方案仅需调用现成的粒子滤波器(PF)，因此比近期提出的无偏平滑器更易实现。该方法在Lévy驱动随机波动率模型与随机动力学模型上进行了演示。
引用
@article{arxiv.1902.01781,
title = {Unbiased Smoothing using Particle Independent Metropolis-Hastings},
author = {Lawrence Middleton and George Deligiannidis and Arnaud Doucet and Pierre E. Jacob},
journal= {arXiv preprint arXiv:1902.01781},
year = {2019}
}
备注
13 pages