Kuiz berkaitan panduan · Sederhana Tahap

Kuiz Monte Carlo Rantaian Markov

Uji penerimaan Metropolis-Hastings, kemas kini bersyarat Gibbs dan sebab autokorelasi dan diagnostik berbilang rantai penting.

Laluan panduan yang berkaitanRantaian Markov Monte Carlo
soalan 1 daripada 8

Mengapakah cabutan MCMC biasanya tidak bersamaan dengan bilangan sampel bebas yang sama?

Pratonton setiap soalan8 soalan

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

  1. Mengapakah cabutan MCMC biasanya tidak bersamaan dengan bilangan sampel bebas yang sama?
    • Keadaan berturut-turut adalah bergantung dan selalunya autokorelasi
    • Taburan sasaran tidak mempunyai kebarangkalian
    • Setiap cadangan sentiasa ditolak
    • Hanya satu parameter boleh dijadikan sampel
  2. Untuk cadangan Metropolis-Hastings yang tidak simetri, apakah istilah nisbah tambahan yang diperlukan?
    • Bilangan parameter kuasa dua
    • Kebarangkalian cadangan terbalik dibahagikan dengan kebarangkalian cadangan ke hadapan
    • Min sampel sasaran
    • Lebar selang belakang
  3. Apakah yang diambil oleh pensampelan Gibbs pada setiap kemas kini koordinat?
    • Cadangan yang selalu ditolak
    • Cabutan bebas dari posterior sendi mengikut definisi
    • Nilai daripada pembolehubah bersyarat penuh itu diberikan semasa pembolehubah lain
    • Titik dengan kemungkinan maksimum
  4. Mengapa menjalankan rantaian daripada nilai permulaan yang tersebar?
    • Untuk menganggarkan kemungkinan data tanpa model
    • Untuk menjadikan semua nilai posterior sama
    • Untuk menjamin setiap rantaian mempunyai cabutan bebas
    • Untuk mendedahkan sama ada larian berasingan meneroka kawasan sasaran yang serasi
  5. Apakah anggaran saiz sampel yang berkesan?
    • Jumlah bilangan baris yang disimpan tanpa mengira korelasi
    • Setara cabutan bebas untuk kuantiti selepas mengambil kira pergantungan
    • Bilangan parameter di bahagian belakang
    • Kebarangkalian bahawa model itu betul
  6. Apakah perbandingan R-hat merentas rantai?
    • Ketepatan ramalan dengan ralat latihan
    • Ketumpatan terdahulu dengan kemungkinan sahaja
    • Tingkah laku dalam rantaian dan antara rantaian
    • Bilangan parameter dengan pemerhatian
  7. Mengapa membuang pemanasan tidak menjamin penumpuan?
    • Semua rantaian menjadi bebas selepas itu
    • Pemanasan mengandungi posterior tepat mengikut definisi
    • Taburan sasaran berubah selepas pemanasan
    • Tiada buangan terhingga tetap membuktikan semua kuantiti yang berkaitan telah diterokai
  8. Rantaian mempunyai banyak cabutan yang disimpan tetapi ESS rendah untuk kebarangkalian ekor. Apa yang berikut?
    • Anggaran ekor mungkin masih mempunyai ketidakpastian Monte Carlo yang besar
    • Kebarangkalian ekor adalah betul-betul sifar
    • Min posterior mesti berat sebelah
    • Model itu semestinya salah dinyatakan