Gids-gekoppelde quiz · Middelmatig Niveau

Markov Chain Monte Carlo-quiz

Test de acceptatie van Metropolis-Hastings, voorwaardelijke updates van Gibbs en waarom autocorrelatie en diagnostiek met meerdere ketens belangrijk zijn.

Gerelateerde gidspadenMarkov-keten Monte Carlo
Vraag 1 van 8

Waarom zijn MCMC-trekkingen meestal niet gelijk aan hetzelfde aantal onafhankelijke monsters?

Bekijk elke vraag8 vragen

Antwoorden en uitleg verschijnen terwijl je de quiz doet.

  1. Waarom zijn MCMC-trekkingen meestal niet gelijk aan hetzelfde aantal onafhankelijke monsters?
    • Opeenvolgende toestanden zijn afhankelijk en vaak autogecorreleerd
    • De doelverdeling heeft geen kansen
    • Elk voorstel wordt altijd afgewezen
    • Er kan slechts één parameter worden bemonsterd
  2. Welke aanvullende ratioterm is nodig voor een asymmetrisch Metropolis-Hastings-voorstel?
    • Het aantal parameters in het kwadraat
    • De kans op een tegengesteld voorstel gedeeld door de waarschijnlijkheid van een voorwaarts voorstel
    • Het steekproefgemiddelde van het doel
    • De posterieure intervalbreedte
  3. Wat trekt Gibbs-bemonstering bij elke coördinatenupdate?
    • Een voorstel dat steeds wordt afgewezen
    • Per definitie een onafhankelijke trekking vanuit het achterste gewricht
    • Een waarde uit de volledige voorwaardelijke waarde van die variabele, gegeven de huidige andere variabelen
    • Een punt met maximale waarschijnlijkheid
  4. Waarom ketens runnen vanuit verspreide startwaarden?
    • Om de waarschijnlijkheid van de gegevens te schatten zonder een model
    • Om alle posterieure waarden gelijk te maken
    • Om te garanderen dat elke ketting onafhankelijke trekkingen heeft
    • Om te onthullen of afzonderlijke runs compatibele doelregio's verkennen
  5. Wat schat de effectieve steekproefomvang?
    • Het totale aantal opgeslagen rijen, ongeacht de correlatie
    • Het onafhankelijke trekkingsequivalent voor een hoeveelheid, na rekening te hebben gehouden met de afhankelijkheid
    • Het aantal parameters in het achterste
    • De kans dat het model correct is
  6. Wat vergelijkt R-hat tussen ketens?
    • Voorspellingsnauwkeurigheid met trainingsfout
    • De eerdere dichtheid met alleen de waarschijnlijkheid
    • Gedrag binnen de keten en tussen ketens
    • Het aantal parameters met waarnemingen
  7. Waarom garandeert het weggooien van de opwarming geen convergentie?
    • Alle ketens worden daarna onafhankelijk
    • Warmup bevat per definitie de exacte posterior
    • De doelverdeling verandert na het opwarmen
    • Geen enkele vaste eindige teruggooi bewijst dat alle relevante hoeveelheden zijn onderzocht
  8. Een ketting heeft veel opgeslagen trekkingen, maar een lage ESS voor een staartkans. Wat volgt?
    • De staartschatting kan nog steeds aanzienlijke Monte Carlo-onzekerheid hebben
    • De staartkans is precies nul
    • Het posterieure gemiddelde moet vertekend zijn
    • Het model is noodzakelijkerwijs verkeerd gespecificeerd