Викторина, связанная с руководством · Средний Уровень

Марковская цепь Викторина «Монте-Карло»

Проверьте приемку Метрополиса-Гастингса, условные обновления Гиббса и почему автокорреляция и многоцепочечная диагностика так важны.

Связанные направляющие путиМарковская цепь Монте-Карло
Вопрос 1 из 8

Почему розыгрыши MCMC обычно не эквивалентны такому же количеству независимых выборок?

Предварительный просмотр каждого вопроса8 вопросы

Ответы и пояснения появляются по мере прохождения теста.

  1. Почему розыгрыши MCMC обычно не эквивалентны такому же количеству независимых выборок?
    • Последующие состояния зависимы и часто автокоррелированы.
    • Целевое распределение не имеет вероятностей
    • Каждое предложение всегда отвергается
    • Можно выбрать только один параметр
  2. Какой дополнительный член отношения необходим для асимметричного предложения Метрополиса-Гастингса?
    • Число параметров в квадрате
    • Вероятность обратного предложения, деленная на вероятность прямого предложения
    • Выборочное среднее целевого значения
    • Ширина заднего промежутка
  3. Что извлекает выборка Гиббса при каждом обновлении координат?
    • Предложение, которое всегда отвергается
    • Независимый вытягивание из заднего сустава по определению.
    • Значение из полного условного выражения этой переменной с учетом текущих других переменных.
    • Точка с максимальной вероятностью
  4. Зачем запускать цепочки с рассредоточенными стартовыми значениями?
    • Чтобы оценить вероятность данных без модели
    • Чтобы сделать все апостериорные значения равными
    • Чтобы гарантировать, что каждая цепочка имеет независимые розыгрыши
    • Чтобы определить, исследуют ли отдельные прогоны совместимые целевые регионы.
  5. Что оценивает эффективный размер выборки?
    • Общее количество сохраненных строк независимо от корреляции
    • Эквивалент независимого отбора количества после учета зависимости
    • Количество параметров в заднем
    • Вероятность того, что модель верна
  6. Что R-hat сравнивает между собой в разных цепочках?
    • Точность прогноза с ошибкой обучения
    • Априорная плотность только с вероятностью
    • Поведение внутри и между цепочками
    • Количество параметров с наблюдениями
  7. Почему отказ от разминки не гарантирует сходимости?
    • После этого все сети становятся независимыми
    • Разминка по определению содержит точную заднюю часть тела.
    • Целевое распределение меняется после прогрева.
    • Отсутствие фиксированного конечного отброса доказывает, что все соответствующие количества были исследованы.
  8. В цепочке много сохраненных розыгрышей, но низкая ESS для вероятности хвоста. Что следует?
    • Хвостовая оценка может все еще иметь существенную неопределенность Монте-Карло.
    • Вероятность хвоста равна нулю
    • Апостериорное среднее должно быть смещенным
    • Модель обязательно указана неверно.