แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ
แบบทดสอบมาร์คอฟเชนมอนติคาร์โล
ทดสอบการยอมรับของ Metropolis-Hastings การอัปเดตแบบมีเงื่อนไขของ Gibbs และเหตุใดความสัมพันธ์อัตโนมัติและการวินิจฉัยแบบหลายสายจึงมีความสำคัญ
คำถาม 1 ของ 8
เหตุใดการจับรางวัล MCMC จึงไม่เท่ากับจำนวนตัวอย่างอิสระที่เท่ากัน
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- เหตุใดการจับรางวัล MCMC จึงไม่เท่ากับจำนวนตัวอย่างอิสระที่เท่ากัน
- สถานะที่ต่อเนื่องกันนั้นขึ้นอยู่กับและมักจะสัมพันธ์กันโดยอัตโนมัติ
- การกระจายเป้าหมายไม่มีความน่าจะเป็น
- ทุกข้อเสนอจะถูกปฏิเสธเสมอ
- สามารถสุ่มตัวอย่างได้เพียงพารามิเตอร์เดียวเท่านั้น
- สำหรับข้อเสนอ Metropolis-Hastings แบบอสมมาตร จำเป็นต้องมีเงื่อนไขอัตราส่วนเพิ่มเติมเท่าใด
- จำนวนพารามิเตอร์ยกกำลังสอง
- ความน่าจะเป็นข้อเสนอย้อนกลับหารด้วยความน่าจะเป็นข้อเสนอไปข้างหน้า
- ค่าเฉลี่ยตัวอย่างของเป้าหมาย
- ความกว้างช่วงหลัง
- การสุ่มตัวอย่าง Gibbs ดึงอะไรในการอัพเดตพิกัดแต่ละครั้ง
- ข้อเสนอที่ถูกปฏิเสธเสมอ
- การดึงอย่างอิสระจากข้อต่อหลังตามคำจำกัดความ
- ค่าจากตัวแปรที่มีเงื่อนไขเต็มตามตัวแปรอื่นๆ ในปัจจุบัน
- จุดที่มีความน่าจะเป็นสูงสุด
- เหตุใดจึงรันเชนจากค่าเริ่มต้นที่กระจัดกระจาย
- เพื่อประมาณความน่าจะเป็นของข้อมูลโดยไม่มีแบบจำลอง
- เพื่อให้ค่าหลังทั้งหมดเท่ากัน
- เพื่อรับประกันว่าแต่ละโซ่จะมีการดึงที่เป็นอิสระจากกัน
- เพื่อเปิดเผยว่าการวิ่งแยกกันสำรวจพื้นที่เป้าหมายที่เข้ากันได้หรือไม่
- ขนาดตัวอย่างที่มีประสิทธิภาพประมาณเท่าใด
- จำนวนแถวทั้งหมดที่บันทึกไว้โดยไม่คำนึงถึงความสัมพันธ์
- การจับฉลากโดยอิสระเทียบเท่ากับปริมาณหลังจากการบัญชีสำหรับการขึ้นต่อกัน
- จำนวนพารามิเตอร์ที่อยู่ด้านหลัง
- ความน่าจะเป็นที่แบบจำลองนั้นถูกต้อง
- R-hat เปรียบเทียบข้ามโซ่อย่างไร
- ความแม่นยำในการทำนายพร้อมข้อผิดพลาดในการฝึก
- ความหนาแน่นก่อนหน้าด้วยความน่าจะเป็นเท่านั้น
- พฤติกรรมภายในสายโซ่และระหว่างสายโซ่
- จำนวนพารามิเตอร์ที่มีการสังเกต
- เหตุใดการละทิ้งการอุ่นเครื่องจึงไม่รับประกันการมาบรรจบกัน?
- โซ่ทั้งหมดจะเป็นอิสระหลังจากนั้น
- Warmup มีคำหลังที่แน่นอนตามคำจำกัดความ
- การกระจายเป้าหมายเปลี่ยนแปลงหลังจากการวอร์มอัพ
- ไม่มีการทิ้งจำกัดแบบตายตัวพิสูจน์ได้ว่ามีการสำรวจปริมาณที่เกี่ยวข้องทั้งหมดแล้ว
- เชนมีการเสมอที่บันทึกไว้มากมาย แต่มี ESS ต่ำสำหรับความน่าจะเป็นส่วนท้าย อะไรตามมา?
- การประมาณการส่วนท้ายอาจยังมีความไม่แน่นอนของมอนติคาร์โลอยู่มาก
- ความน่าจะเป็นส่วนท้ายเป็นศูนย์อย่างแน่นอน
- ค่าเฉลี่ยหลังจะต้องมีอคติ
- โมเดลจำเป็นต้องระบุไม่ถูกต้อง