Questions tagged «metropolis-hastings»

我看到这篇文章时说，在吉布斯采样中，每个样本都被接受。我有点困惑。如果每个接受的样本都收敛到平稳分布，结果如何。 在一般的Metropolis算法中，我们接受为min（1，p（x *）/ p（x）），其中x *是采样点。我假设x *将我们指向密度很高的位置，因此我们正在向目标分布移动。因此，我认为经过一段时间的老化后，它会移动到目标分布。 但是，在吉布斯采样中，我们接受了所有内容，因此即使它可能将我们带到另一个地方，也不能说它收敛于平稳/目标分布 假设我们有一个分布 p （θ ）= c （θ ）/ Zp（θ）=C（θ）/žp(\theta) = c(\theta)/Z。我们无法计算Z。在大都会算法中，我们使用以下术语c （θñ Ë W ^）/ c （θÒ 升d）C（θñËw）/C（θØ升d）c(\theta^{new})/c(\theta^{old}) 合并发行版 c （θ ）C（θ）c(\theta)加上归一化常数Z抵消了。这样很好 但是在吉布斯抽样中，我们在哪里使用分布 c （θ ）C（θ）c(\theta) 例如在论文中http://books.nips.cc/papers/files/nips25/NIPS2012_0921.pdf其给定 所以我们没有确切的条件分布可用来进行抽样，我们只有与条件分布成正比的东西

9 mcmc  gibbs  metropolis-hastings 

我尝试使用R中的Metropolis算法从二元密度进行模拟，但是没有运气。密度可以表示为 ，其中是Singh-Maddala分布p （X ，ÿ）p（X，ÿ）p(x,y)p （ÿ| x）p（x）p（ÿ|X）p（X）p(y|x)p(x)p （x ）p（X）p(x) p(x)=aqxa−1ba(1+(xb)a)1+qp(x)=aqxa−1ba(1+(xb)a)1+qp(x)=\dfrac{aq x^{a-1}}{b^a (1 + (\frac{x}{b})^a)^{1+q}} 参数，q，b和p（y | x）是对数正态的，其中log-mean是x的分数，而log-sd是常数。为了测试我的样本是否是我想要的样本，我查看了x的边际密度，其应为p（x）。我尝试了R包MCMCpack，mcmc和dream中的不同Metropolis算法。我舍弃了老化，使用细化处理，使用了大小不超过100万的样本，但是由此产生的边际密度从来不是我提供的那种。aaaqqqbbbp(y|x)p(y|x)p(y|x)xxxxxxp(x)p(x）p(x) 这是我使用的代码的最终版本： logvrls <- function(x,el,sdlog,a,scl,q.arg) { if(x[2]>0) { dlnorm(x[1],meanlog=el*log(x[2]),sdlog=sdlog,log=TRUE)+ dsinmad(x[2],a=a,scale=scl,q.arg=q.arg,log=TRUE) } else -Inf } a <- 1.35 q <- 3.3 scale <- 10/gamma(1 + 1/a)/gamma(q - 1/a)* gamma(q) Initvrls <- function(pars,nseq,meanlog,sdlog,a,scale,q) { cbind(rlnorm(nseq,meanlog,sdlog),rsinmad(nseq,a,scale,q)) } library(dream) …

9 sampling  monte-carlo  metropolis-hastings