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.
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.
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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