Eine Empfehlung: Berechnen Sie die PSRF einfach separat für jede skalare Komponente
Der Originalartikel von Gelman & Rubin [1] sowie das Lehrbuch zur Bayesianischen Datenanalyse von Gelman et al. [2] empfiehlt, den potenziellen Skalenverringerungsfaktor (PSRF) für jeden interessierenden Skalarparameter separat zu berechnen. Um Konvergenz abzuleiten, müssen alle PSRFs nahe bei 1 liegen. Es spielt keine Rolle, dass Ihre Parameter als Zufallsvektoren interpretiert werden. Ihre Komponenten sind Skalare, für die Sie PSRFs berechnen können.
Brooks & Gelman [3] haben eine multivariate Erweiterung des PSRF vorgeschlagen, die ich im nächsten Abschnitt dieser Antwort überprüfe. Um jedoch Gelman & Shirley [4] zu zitieren:
[...] Diese Methoden können manchmal einen Overkill darstellen: Einzelne Parameter können gut geschätzt werden, während die ungefähre Konvergenz von Simulationen einer multivariaten Verteilung sehr lange dauern kann.
Alternative: multivariate Erweiterung von Brooks & Gelman
WB
V^=n−1nW+1nB,
nV^,WR^=maxaaTV^aaTWa=n−1n+(m+1m)λ1,
mλ1W−1V^/nλ1→0nR^
Verweise
[1] Gelman, Andrew und Donald B. Rubin. "Rückschluss aus iterativer Simulation mit mehreren Sequenzen." Statistical Science (1992): 457 & ndash; 472.
[2] Gelman, Andrew et al. Bayesianische Datenanalyse. CRC-Presse, 2013.
[3] Brooks, Stephen P. und Andrew Gelman. "Allgemeine Methoden zur Überwachung der Konvergenz von iterativen Simulationen." Journal of Computational and Graphical Statistics 7.4 (1998): 434 & ndash; 455.
[4] Gelman, Andrew und Kenneth Shirley. "Rückschluss aus Simulationen und Überwachung der Konvergenz". (Kapitel 6 in Brooks, Steve et al., Herausgeber Handbuch von Markov Chain Monte Carlo. CRC Press, 2011.)
Alle Artikel mit Ausnahme des Lehrbuchs [2] sind auf der Website von Andrew Gelman verfügbar .