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.
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.
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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