Answers:
好吧,是的,这两个术语之间存在关系,因为来自MCMC的抽奖形成了一个马尔可夫链。摘自Gelman,贝叶斯数据分析(第3版),第1页。265:
马尔可夫链模拟(也称为马尔可夫链蒙特卡洛或MCMC)是一种基于适当分布中的值绘制图,然后对其进行校正以更好地近似目标后验分布p (θ | y )的通用方法。采样是顺序进行的,采样抽取的分布取决于最后抽取的值。因此,平局形成了一个马尔可夫链。
这两个概念之间的联系是,马尔可夫链蒙特卡罗(aka MCMC)方法依赖于马尔可夫链理论从复杂的目标分布产生仿真和蒙特卡洛近似。
在实践中,这些模拟方法输出的序列是马尔可夫链,即使得给定整个过去{ X i − 1,… ,X 1 }时X i的分布仅取决于X i − 1。换句话说,X i = f (X i − 1,ϵ i)其中f
切片采样器是MCMC算法最简单的示例:在此算法的迭代i中,执行
- 模拟
- 模拟(这相当于产生第二独立ε 2 我)
举例来说,如果目标分布是正常 [用于您显然不会需要MCMC在实践中,这是一个玩具的例子!]上述翻译为
- 模拟
- 模拟,即X我=±ε 2 我 {-2日志( √ 与ε 2 我〜ù(0,1)
或在R中
T=1e4
x=y=runif(T) #random initial value
for (t in 2:T){
epsilon=runif(2)#uniform white noise
y[t]=epsilon[1]*dnorm(x[t-1])#vertical move
x[t]=sample(c(-1,1),1)*epsilon[2]*sqrt(-2*#Markov move from
log(sqrt(2*pi)*y[t]))}#x[t-1] to x[t]
curve(dnorm,-3,3,lwd=2,col="sienna",ylab="")
for (t in (T-100):T){
lines(rep(x[t-1],2),c(y[t-1],y[t]),col="steelblue");
lines(x[(t-1):t],rep(y[t],2),col="steelblue")}