Im Metropolis-Hastings-Algorithmus zum Abtasten einer Zielverteilung gilt Folgendes: iπiπi\pi_{i} sei die Zieldichte im Zustand ,iii jπjπj\pi_j ist die im vorgeschlagenen Zustand ,jjj j ihijhijh_{ij} ist die Vorschlagsdichte für den Übergang in den Zustand gegebenem aktuellen Zustand ,jjjiii j...
Ich habe im Github-Repo nach Pymc gesucht und dieses Notizbuch gefunden: Variationsinferenz: Bayesianische Neuronale Netze Der Autor lobt die Vorzüge der bayesianischen / probabilistischen Programmierung, sagt dann aber weiter: Leider spielt die probabilistische Programmierung bei...
Ich habe eine ziemlich geringe Wahrscheinlichkeit, dass sich Metropolis-Hastings-Sampler sehr unregelmäßig durch den Parameterraum bewegen, dh es kann keine Konvergenz erreicht werden, unabhängig von den Parametern der Angebotsverteilung (in meinem Fall ist es Gauß). Mein Modell weist keine hohe...
Ich versuche mit MCMC von einem Posterior zu probieren, der viele Modi hat, die besonders weit voneinander entfernt sind. Es scheint, dass in den meisten Fällen nur einer dieser Modi die 95% HPD enthält, die ich suche. Ich habe versucht, Lösungen zu implementieren, die auf temperierten Simulationen...
Ich bin auf diesen Artikel gestoßen, in dem steht, dass bei der Gibbs-Probenahme jede Probe akzeptiert wird. Ich bin etwas verwirrt. Wie kommt es, dass jede aufgenommene Probe zu einer stationären Verteilung konvergiert? Im allgemeinen Metropolis-Algorithmus akzeptieren wir als min (1, p (x *) / p...
Nach dem, was ich gelesen habe, ist Hamiltonian Monte Carlo die "goto" MCMC-Methode, wenn Ihr Problem hochdimensional ist. Wie viele Dimensionen 10, 100, 1000, 10.000, 100.000, ... sind praktisch zu viele? Die Rechenkosten werden zweifellos zu einem Problem, und ich nehme an, dass das verwendete...
Ich lese gerade das "Buch" Probabilistic Programming and Bayesian Methods for Hackers . Ich habe ein paar Kapitel gelesen und über das erste Kapitel nachgedacht, in dem das erste Beispiel mit pymc darin besteht, einen Hexenpunkt in Textnachrichten zu erkennen. In diesem Beispiel wird die...
Markov-Kette Monte Carlo ist eine auf Markov-Ketten basierende Methode, mit der wir Proben (in einer Monte-Carlo-Einstellung) aus nicht standardmäßigen Verteilungen erhalten können, aus denen wir keine Proben direkt ziehen können. Meine Frage ist, warum die Markov-Kette für die...
Ich lerne derzeit hierarchische Bayes'sche Modelle mit JAGS von R und Pymc mit Python ( "Bayes'sche Methoden für Hacker" ). Ich kann mir einen Eindruck von diesem Beitrag verschaffen : "Sie werden am Ende einen Haufen Zahlen haben, der aussieht", als ob "Sie es irgendwie geschafft hätten,...
Nehmen wir an, man hat parallele MCMC-Ketten ausgeführt, in denen jede Kette eingebrannt ist. Die resultierenden Ketten seien mit wobei die Länge jeder Kette danach ist verbrennen in.x ( i ) 1 , … , x ( i ) N.mmmN.x( i )1, … , X.( i )N. für i = 1 , … , m ,x1(i),…,xN(i) for i=1,…,m,...
Ich versuche, das Innenleben des Hamiltonian Monte Carlo (HMC) zu verstehen, kann aber den Teil nicht vollständig verstehen, wenn wir die deterministische Zeitintegration durch einen Vorschlag von Metropolis-Hasting ersetzen. Ich lese das großartige Einführungspapier A Conceptual Introduction to...
Ich habe die folgende diskrete Verteilung, wobei bekannte Konstanten sind:α , βα,β\alpha,\beta p ( x ; α , β) = Beta ( α + 1 , β+ x )Beta ( α , β)für x = 0 , 1 , 2 , …p(x;α,β)=Beta(α+1,β+x)Beta(α,β)for x=0,1,2,… p(x;\alpha,\beta) = \frac{\text{Beta}(\alpha+1, \beta+x)}{\text{Beta}(\alpha,\beta)}...
Ich schätze derzeit ein stochastisches Volatilitätsmodell mit Markov-Ketten-Monte-Carlo-Methoden. Dabei implementiere ich Gibbs- und Metropolis-Stichprobenverfahren. Angenommen, ich nehme eher den Mittelwert der posterioren Verteilung als eine Zufallsstichprobe daraus. Wird dies allgemein als...
Geschlossen. Diese Frage ist nicht zum Thema . Derzeit werden keine Antworten akzeptiert. Möchten Sie diese Frage verbessern? Aktualisieren Sie die Frage so dass es beim Thema für Kreuz Validated. Geschlossen vor 7 Monaten . Ich bin derzeit dabei, ein Modell für die Vorhersage von...
Wie wird in MCMC die Einbrennzeit gewählt? Mit anderen Worten, wie lange müssen Sie warten, bis Sie glauben, dass die Markov-Kette ihre Grenzverteilung erreicht hat? Vielen
Warum hierarchisch? : Ich habe versucht, dieses Problem zu untersuchen, und soweit ich weiß, handelt es sich um ein "hierarchisches" Problem, da Sie Beobachtungen über Beobachtungen aus einer Population machen, anstatt direkte Beobachtungen aus dieser Population zu machen. Referenz:...
Die diskrete Natur des DP macht es für allgemeine Anwendungen in der Bayes'schen Nichtparametrik ungeeignet, aber es ist gut geeignet für das Problem, bei der Gemischmodellierung Prioritäten auf Gemischkomponenten zu setzen. Dieses Zitat stammt aus Hierarchical Dirichlet Processes (Teh et al.,...
Ich versuche, HMC mit einer nicht diagonalen Massenmatrix zu implementieren, aber ich werde von einigen Begriffen gestolpert. Laut BDA3 und Neals Bericht ist der kinetische Energiebegriff (der meiner Meinung nach aus Bequemlichkeitsgründen immer verwendet wird) K.( p ) = pT.M.- 1p2.K(p)=pTM−1p2....
Ich schätze derzeit Parameter eines Modells, das durch mehrere gewöhnliche Differentialgleichungen (ODEs) definiert ist. Ich versuche dies mit einem Bayes'schen Ansatz, indem ich die posteriore Verteilung der Parameter anhand einiger Daten unter Verwendung der Markov-Kette Monte Carlo (MCMC)...
Ich habe versucht, ein Gefühl für die verschiedenen Probleme in frequentistischen Umgebungen zu bekommen, in denen MCMC verwendet wird. Ich bin mir bewusst, dass MCMC (oder Monte Carlo) zum Anpassen von GLMMs und möglicherweise in Monte Carlo EM-Algorithmen verwendet wird. Gibt es häufigere...