哈密​​顿量蒙特卡洛和离散参数空间


13

我刚刚开始在stan中建立模型;为了熟悉该工具,我正在完成贝叶斯数据分析(第二版)中的一些练习。所述沃特伯克锻炼设该数据,与Ñ θ 是未知的。由于汉密尔顿蒙特卡洛法令不允许离散参数,因此我已将N声明为实数[ 72 ),并使用该函数对实值二项式分布进行了编码。nbinomial(N,θ)(N,θ)N[72,)lbeta

结果的直方图看起来与我直接计算后验密度所发现的结果几乎相同。但是,我担心可能有些微妙的原因使我总体上不相信这些结果。由于对的实值推论为非整数值分配了正概率,因此我们知道这些值是不可能的,因为分数Waterbuck实际上并不存在。另一方面,结果似乎很好,因此在这种情况下,简化似乎对推理没有影响。N

是否有任何以这种方式进行建模的指导原则或经验法则,或者这种将离散参数“提升”为实际不良做法的方法?


3
N72NθN

θ^

Answers:


18

首先,请随时在我们的用户列表(http://mc-stan.org/mailing-lists.html)上问这样的问题,在这里我们不仅讨论与Stan实施/优化/等有关的问题,而且还讨论实用的统计和建模问题。

关于您的问题,这绝对是个好方法。有很多方法可以更严格地证明它的正确性(例如,查看离散CDF与它的连续逼近之间的差异),但是基本上,只要您的方差大于单位整数倍,那么缺失的离散化就不会真正有任何意义。对后续推论的影响。

这种近似是普遍存在的,一个常见的例子是作为独立泊松分布乘积的多项式分布的近似,然后将其近似为高斯分布。


9
时,一年之后,你就会意识到,这一刻迈克尔·贝当古张贴解答你的问题...
Sycorax说恢复莫妮卡
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.