Quiz collegato alla guida · Medio Livello

Quiz su Markov Chain Monte Carlo

Testare l'accettazione di Metropolis-Hastings, gli aggiornamenti condizionali di Gibbs e perché l'autocorrelazione e la diagnostica a catena multipla sono importanti.

Percorsi guida correlatiCatena Markov Monte Carlo
Domanda 1 di 8

Perché i prelievi MCMC solitamente non equivalgono allo stesso numero di campioni indipendenti?

Anteprima di ogni domanda8 domande

Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.

  1. Perché i prelievi MCMC solitamente non equivalgono allo stesso numero di campioni indipendenti?
    • Gli stati successivi sono dipendenti e spesso autocorrelati
    • La distribuzione target non ha probabilità
    • Ogni proposta viene sempre respinta
    • È possibile campionare un solo parametro
  2. Per una proposta asimmetrica di Metropolis-Hastings, quale termine di rapporto aggiuntivo è necessario?
    • Il numero di parametri al quadrato
    • La probabilità della proposta inversa divisa per la probabilità della proposta diretta
    • La media campionaria dell'obiettivo
    • La larghezza dell'intervallo posteriore
  3. Cosa disegna il campionamento di Gibbs ad ogni aggiornamento delle coordinate?
    • Una proposta che viene sempre respinta
    • Un pareggio indipendente dall'articolazione posteriore per definizione
    • Un valore dal condizionale completo di quella variabile date le altre variabili correnti
    • Un punto con la massima verosimiglianza
  4. Perché eseguire catene da valori iniziali dispersi?
    • Per stimare la verosimiglianza dei dati senza un modello
    • Per rendere uguali tutti i valori posteriori
    • Per garantire che ogni catena abbia sorteggi indipendenti
    • Per rivelare se esecuzioni separate esplorano regioni target compatibili
  5. Cosa stima la dimensione effettiva del campione?
    • Il numero totale di righe salvate indipendentemente dalla correlazione
    • L'equivalente di estrazione indipendente di una quantità dopo aver tenuto conto della dipendenza
    • Il numero di parametri nella parte posteriore
    • La probabilità che il modello sia corretto
  6. Cosa confronta R-hat tra le catene?
    • Precisione della previsione con errore di addestramento
    • La densità precedente con solo la probabilità
    • Comportamento intracatena e intercatena
    • Il numero di parametri con osservazioni
  7. Perché scartare il riscaldamento non garantisce la convergenza?
    • Tutte le catene diventano successivamente indipendenti
    • Il riscaldamento contiene il posteriore esatto per definizione
    • La distribuzione degli obiettivi cambia dopo il riscaldamento
    • Nessuno scarto fisso e finito dimostra che tutte le quantità rilevanti sono state esplorate
  8. Una catena ha molte estrazioni salvate ma un ESS basso per una probabilità di coda. Cosa segue?
    • The tail estimate may still have substantial Monte Carlo uncertainty
    • The tail probability is exactly zero
    • The posterior mean must be biased
    • The model is necessarily misspecified