Útmutatóhoz kapcsolódó kvíz · Közepes Szint

Markov-lánc Monte Carlo kvíz

Tesztelje a Metropolis-Hastings elfogadását, a Gibbs-feltételes frissítéseket, és hogy miért számít az autokorreláció és a többláncú diagnosztika.

Kapcsolódó útmutató utakMarkov-lánc Monte Carlo
kérdés 1 -ból 8

Az MCMC-rajzok általában miért nem azonosak ugyanannyi független mintával?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Az MCMC-rajzok általában miért nem azonosak ugyanannyi független mintával?
    • Az egymást követő állapotok függőek és gyakran autokorrelálnak
    • A céleloszlásnak nincs valószínűsége
    • Minden javaslatot mindig elutasítanak
    • Csak egy paraméter mintavételezhető
  2. Egy aszimmetrikus Metropolis-Hastings ajánlathoz milyen további arányszámra van szükség?
    • A paraméterek száma négyzetben
    • A fordított ajánlat valószínűsége osztva az előzetes ajánlat valószínűségével
    • A cél mintaátlaga
    • A hátsó intervallum szélessége
  3. Mit rajzol a Gibbs-mintavétel minden koordinátafrissítéskor?
    • Egy olyan javaslat, amelyet mindig elutasítanak
    • Független húzás az ízületi hátsó részből értelemszerűen
    • Az adott változó teljes feltételes értékéből, adott aktuális egyéb változókból
    • Maximális valószínűségű pont
  4. Miért futtassunk láncokat szórt kiindulási értékekből?
    • Az adatok valószínűségének becslése modell nélkül
    • Hogy minden utólagos érték egyenlő legyen
    • Annak érdekében, hogy minden lánc független húzással rendelkezzen
    • Annak feltárása, hogy a külön futtatások feltárják-e a kompatibilis célrégiókat
  5. Mit becsül a hatékony mintaméret?
    • A mentett sorok teljes száma a korrelációtól függetlenül
    • Egy mennyiség független rajzolási egyenértéke a függőség elszámolása után
    • A paraméterek száma a posteriorban
    • Annak a valószínűsége, hogy a modell helyes
  6. Mi az R-hat összehasonlítása a láncok között?
    • Előrejelzési pontosság edzéshibával
    • Az előzetes sűrűség csak a valószínűséggel
    • Láncon belüli és láncok közötti viselkedés
    • A paraméterek száma megfigyeléssel
  7. Miért nem garantálja a konvergenciát a bemelegítés elvetése?
    • Ezután minden lánc függetlenné válik
    • A bemelegítés értelemszerűen a pontos hátsót tartalmazza
    • A céleloszlás a bemelegítés után megváltozik
    • A rögzített véges eldobás nem bizonyítja, hogy minden releváns mennyiséget feltártak
  8. Egy láncnak sok mentett húzása van, de alacsony az ESS a farok valószínűségéhez. Mi következik?
    • A farokbecslés továbbra is jelentős Monte Carlo-i bizonytalansággal járhat
    • A farok valószínűsége pontosan nulla
    • A hátsó középértéknek elfogultnak kell lennie
    • A modell szükségszerűen rosszul van megadva