吉布斯采样与常规MH-MCMC


20

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

1
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

Answers:


12

使用Metropolis算法的主要原理是,即使后验结果未知,您也可以使用它。对于吉布斯抽样,您必须知道从中提取变量的后验分布。


1
谢谢回复!因此,对于GS,想法是条件条件是更简单的分布,可以很容易地从中进行采样,而联合分布(虽然已知)可能是很难从中进行采样的复杂分布吗?
卡2014年

2
是的,这是真的。但是,通常经常将Gibbs采样和Metropolis结合使用。因此,对某些变量进行条件调整可能会给您带来封闭形式的后验,而对另一些变量则不可能,因此您必须使用“ Metropolis步骤”。在这种情况下,您必须确定要使用哪种类型的Metropolis采样器(独立,随机游走)以及使用哪种建议密度。但是我想这有点过头了,您应该宁愿自己先阅读这些内容。
user3777456 2014年

3

Gibbs采样打破了采样中维数的诅咒,因为您已经将(可能是高维数)参数空间分解为几个低维步骤。Metropolis-Hastings减轻了生成拒绝采样技术的一些维数问题,但您仍在从完整的多变量分布中采样(并决定接受/拒绝样本),这会使算法遭受维数诅咒的困扰。

以这种简化的方式来考虑:一次建议一个变量(Gibbs)的更新要比同时建议所有变量(Metropolis Hastings)容易得多。

话虽如此,参数空间的维数仍将影响Gibbs和Metropolis Hastings的收敛,因为还有更多参数可能无法收敛。

Gibbs也是不错的选择,因为Gibbs循环的每个步骤都可以采用封闭形式。这在分层模型中通常是这种情况,其中每个参数仅以其他几个为条件。构造模型通常很简单,这样每个Gibbs步骤都处于封闭形式(当每个步骤是共轭时,有时也称为“半共轭”)。这很好,因为您是从已知分布中进行采样的,通常可能会非常快。


“ Gibbs采样打破了采样中的维数诅咒”:实际上,Gibbs采样往往比诸如Metropolis Hastings具有自适应建议协方差矩阵的东西很多。
Cliff AB
By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.