我一直在阅读有关Gibbs采样和Metropolis Hastings算法的文章,并有几个问题。
据我了解,在吉布斯抽样的情况下,如果我们有一个大的多元问题,我们从条件分布中抽样,即抽样一个变量,而其他变量保持不变,而在MH中,我们从整个联合分布抽样。
该文件说的一件事是,建议的样本始终在Gibbs抽样中接受,即建议的接受率始终为1。对我来说,这似乎是一个很大的优势,因为对于大型多元问题,MH算法的拒绝率似乎变得很大。如果确实如此,那么为什么一直不使用Gibbs Sampler来生成后验分布的原因是什么?
11
构造良好的多元MH建议可能甚至会大大超过Gibbs采样,甚至可以从条件采样中进行采样(例如,高维多元正态,当变量高度相关时,HMC在很大程度上击败了Gibbs)。这是因为Gibbs采样不允许变量共同演化。这有点类似于通过迭代优化各个参数来优化函数-如果共同优化所有参数而不是连续优化每个参数,则可能会做得更好,尽管后者更容易做到。
—
2014年
Metropolis-Hastings可以使用有条件的提案进行抽样。你指的是一个特定类型的 MH的?
—
Glen_b-恢复莫妮卡2014年
感谢您的评论。不,我只是在总体上思考为什么不更频繁地使用Gibbs Sampler。忽略了必须为Gibbs采样先验地知道条件分布形式的事实。对于我当前的需求,似乎结合使用效果最好。因此,对一个参数子集使用MH步骤,同时保持其他参数不变,然后对其他子集使用Gibbs(其中条件易于分析求值)。我才刚刚开始,所以还不了解各种类型的MH。对此的任何建议是感激的:-)
—
卡(Luca)2014年