MCMC在有界参数空间上?


18

我想一个问题申请MCMC,但我的先验概率(在我的情况下,他们是))被限制在一个区域?我可以使用普通的MCMC并忽略掉在限制区域(在我的情况下是[0,1] ^ 2)之外的样本,即当新的过渡区域超出限制区域时重用过渡函数吗?α[0,1],β[0,1]



@Zen,我不太确定,但是Xian建议的答案是对子样本进行抽样,而不是使用MH,而是使用Gibbs采样器并重申某个维度的值之一是否超出边界,对吗?
Cupitor

1
如果MH在参数空间之外提出建议,则接受概率仅设置为并且一切正常。我认为MH只是解释0 / 00(的表现0 ·&= 0在测度论)。00/000=0
家伙

@guy,但是根据西安网页上的讨论(Zen上的链接),看来吉布斯有优势,却没有提及任何理由!
Cupitor

1
@Cupitor我没看到他这么说。我认为这暗示着Gabriel正在做Gibbbs中的Metropolis。
家伙

Answers:


27

您有几个不错的,或多或少的简单选择。您的统一先验可以使他们更简单。

选项1:独立采样器。您可以将提案分配设置为等于单位面积上的均匀分配,以确保样本不会如您所说的那样落在限制区域之外。潜在的缺点:如果后部集中在单位正方形的很小区域,则接受率可能会非常低。OTOH,很难生成比从U(0,1)分布更快的随机数。潜在的好处:减少您的工作量。

选项2:将您的参数转换为无界的东西,为转换后的参数提出建议,然后将这些参数转换回以供似然函数使用。请注意,在这种情况下,先验将在转换后的参数上,因为这是您要提出的建议,因此您必须弄混转换的Jacobian才能获得新的先验。当然,为了进行分析,您需要将MCMC生成的参数随机数转换回原始参数。潜在的不利因素:您需要进行更多的初期工作。潜在优势:建议书的接受率更高。

选项3:构造一个提案分配,而不是位于单位正方形上的独立性采样器。这使您可以保持一致的先验,但是以计算提案概率时的复杂性为代价。例如,将设为参数之一的当前值,将是带有参数n x n 1 - x 的Beta分布。n越大,您的提案将越集中在当前值附近。潜在的不利因素:您需要进行更多的初期工作。Pptential一面:更好的接受率的建议-但如果你做ñx(nx,n(1x))ññ 太大而靠近某个角落,您可能会在走出弯道之前先在角落进行许多小动作。

选择4:只要拒绝任何超出单位面积的建议(西安的半心半意的建议)。请注意,这不同于仅生成另一个建议。在这种情况下,您将拒绝建议,这意味着参数的下一个值与参数的当前值相同。之所以行之有效,是因为如果您对参数空间的某个区域的先验概率为零,并生成一个落入该区域的随机数,则会发生这种情况。潜在的不利因素:如果您临近拐角,则接受的可能性可能会很低,并会停留一段时间。潜在的好处:减少您的工作量。

选项5:在平面上创建一个扩展的问题,该问题与您要面对的实际问题相同,请正确解决所有问题,然后在对MCMC采样的结果进行后处理时,将所有样本扔到外面单位正方形的 潜在的好处:如果很容易制造出这个扩展性的问题,那么对您来说可能会减少工作量。潜在的不利因素:如果马尔可夫链在单位广场外的某个地方徘徊了一段时间,实际上您可能会拥有可怕的验收概率,因为您将丢弃大部分样本。

毫无疑问,还有其他选择,我很想看看其他人的建议!

n


投票!非常感谢您提供了如此详尽的答案,但我要努力遵循以下几点:1)实际上,参数空间来自正方形的线段,因此很难通过统一采样来获得2)这实际上似乎不是一个好主意。举一个简单的例子,假设仅通过将外部区域的概率设置为零来扩展有界样本!我猜这会使收敛过程非常缓慢,并且可能类似于二次采样
Cupitor

3)这个想法的问题是您的建议是不可逆的,因此,最终的抽样方案可能不再是遍历遍历的情况了!
Cupitor

4)是我尝试的方法,看起来很合理(IMH!)5)这似乎受我在2中提到的示例的困扰,正如您所说的那样,您自己给出的接受率可能会很差!
Cupitor

2
(0,inf)x(0,1)β

α=2.5(0.5,1)α=3.2(0,0.8)α=0.2(0.2,0)
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.