Ich verwende auch die Gelman-Rubin-Konvergenzdiagnose. Ein mögliches Problem bei Gelman-Rubin besteht darin, dass die Konvergenz möglicherweise falsch diagnostiziert wird, wenn der Schrumpfungsfaktor zufällig nahe 1 liegt. In diesem Fall können Sie ein Gelman-Rubin-Brooks-Diagramm verwenden. Weitere Informationen finden Sie im Dokument "Allgemeine Methoden zur Überwachung der Konvergenz von iterativen Simulationen" . Dies wird unterstützt in der Coda Paket in R (für "Output - Analyse und Diagnose für Markov Chain Monte Carlo - Simulationen"). codaEnthält auch andere Funktionen (z. B. die Konvergenzdiagnose nach Geweke).
Anstatt die Gelman-Rubin-Statistik zu verwenden, die eine nette Hilfe darstellt, aber nicht perfekt ist (wie bei allen Konvergenzdiagnosen), verwende ich einfach dieselbe Idee und zeichne die Ergebnisse für eine visuelle grafische Beurteilung auf. In fast allen von mir in Betracht gezogenen Fällen (das ist eine sehr große Zahl) reicht es aus, die Kurven mehrerer MCMC-Ketten, die von sehr unterschiedlichen Startpositionen aus gestartet wurden, grafisch darzustellen, um zu zeigen oder zu beurteilen, ob jeweils derselbe Seitenzahn konvergiert oder nicht . Ich benutze diese Methode, um:
Ob die MCMC-Kette (jemals) konvergiert
Beurteilen Sie, wie lange ich die Einbrennzeit einstellen soll
Berechnung der Gelman-R-Statistik (siehe Gelman, Carlin, Stern und Rubin, Bayesian Data Analysis) zur Messung der Effizienz und Geschwindigkeit des Mischens im MCMC-Probenehmer.
Effizienz und Konvergenz unterscheiden sich geringfügig voneinander: Sie können z. B. Konvergenz mit sehr geringer Effizienz erzielen (dh für die Konvergenz sind lange Ketten erforderlich). Ich habe diese grafische Methode verwendet, um fehlende Konvergenzprobleme in bestimmten und allgemeinen Situationen erfolgreich zu diagnostizieren (und später zu korrigieren).
Antworten:
Ich verwende auch die Gelman-Rubin-Konvergenzdiagnose. Ein mögliches Problem bei Gelman-Rubin besteht darin, dass die Konvergenz möglicherweise falsch diagnostiziert wird, wenn der Schrumpfungsfaktor zufällig nahe 1 liegt. In diesem Fall können Sie ein Gelman-Rubin-Brooks-Diagramm verwenden. Weitere Informationen finden Sie im Dokument "Allgemeine Methoden zur Überwachung der Konvergenz von iterativen Simulationen" . Dies wird unterstützt in der Coda Paket in R (für "Output - Analyse und Diagnose für Markov Chain Monte Carlo - Simulationen").
codaEnthält auch andere Funktionen (z. B. die Konvergenzdiagnose nach Geweke).Sie können auch einen Blick auf "boa: Ein R-Paket für MCMC Output Convergence Assessment und Posterior Inference" werfen .
quelle
Anstatt die Gelman-Rubin-Statistik zu verwenden, die eine nette Hilfe darstellt, aber nicht perfekt ist (wie bei allen Konvergenzdiagnosen), verwende ich einfach dieselbe Idee und zeichne die Ergebnisse für eine visuelle grafische Beurteilung auf. In fast allen von mir in Betracht gezogenen Fällen (das ist eine sehr große Zahl) reicht es aus, die Kurven mehrerer MCMC-Ketten, die von sehr unterschiedlichen Startpositionen aus gestartet wurden, grafisch darzustellen, um zu zeigen oder zu beurteilen, ob jeweils derselbe Seitenzahn konvergiert oder nicht . Ich benutze diese Methode, um:
Effizienz und Konvergenz unterscheiden sich geringfügig voneinander: Sie können z. B. Konvergenz mit sehr geringer Effizienz erzielen (dh für die Konvergenz sind lange Ketten erforderlich). Ich habe diese grafische Methode verwendet, um fehlende Konvergenzprobleme in bestimmten und allgemeinen Situationen erfolgreich zu diagnostizieren (und später zu korrigieren).
quelle
Dies ist ein bisschen spät in der Debatte, aber wir haben ein ganzes Kapitel in unserem 2007 erschienenen Buch Introducing Monte Carlo Methods with R, das sich mit diesem Thema befasst. Sie können das CODA-Paket auch von CRAN herunterladen .
quelle
Ich mache hauptsächlich gerne Trace-Plots und benutze manchmal die Gelman-Rubin-Konvergenzdiagnose.
quelle