แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ

แบบทดสอบมาร์คอฟเชนมอนติคาร์โล

ทดสอบการยอมรับของ Metropolis-Hastings การอัปเดตแบบมีเงื่อนไขของ Gibbs และเหตุใดความสัมพันธ์อัตโนมัติและการวินิจฉัยแบบหลายสายจึงมีความสำคัญ

เส้นทางแนะนำที่เกี่ยวข้องมาร์คอฟเชนมอนติคาร์โล
คำถาม 1 ของ 8

เหตุใดการจับรางวัล MCMC จึงไม่เท่ากับจำนวนตัวอย่างอิสระที่เท่ากัน

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. เหตุใดการจับรางวัล MCMC จึงไม่เท่ากับจำนวนตัวอย่างอิสระที่เท่ากัน
    • สถานะที่ต่อเนื่องกันนั้นขึ้นอยู่กับและมักจะสัมพันธ์กันโดยอัตโนมัติ
    • การกระจายเป้าหมายไม่มีความน่าจะเป็น
    • ทุกข้อเสนอจะถูกปฏิเสธเสมอ
    • สามารถสุ่มตัวอย่างได้เพียงพารามิเตอร์เดียวเท่านั้น
  2. สำหรับข้อเสนอ Metropolis-Hastings แบบอสมมาตร จำเป็นต้องมีเงื่อนไขอัตราส่วนเพิ่มเติมเท่าใด
    • จำนวนพารามิเตอร์ยกกำลังสอง
    • ความน่าจะเป็นข้อเสนอย้อนกลับหารด้วยความน่าจะเป็นข้อเสนอไปข้างหน้า
    • ค่าเฉลี่ยตัวอย่างของเป้าหมาย
    • ความกว้างช่วงหลัง
  3. การสุ่มตัวอย่าง Gibbs ดึงอะไรในการอัพเดตพิกัดแต่ละครั้ง
    • ข้อเสนอที่ถูกปฏิเสธเสมอ
    • การดึงอย่างอิสระจากข้อต่อหลังตามคำจำกัดความ
    • ค่าจากตัวแปรที่มีเงื่อนไขเต็มตามตัวแปรอื่นๆ ในปัจจุบัน
    • จุดที่มีความน่าจะเป็นสูงสุด
  4. เหตุใดจึงรันเชนจากค่าเริ่มต้นที่กระจัดกระจาย
    • เพื่อประมาณความน่าจะเป็นของข้อมูลโดยไม่มีแบบจำลอง
    • เพื่อให้ค่าหลังทั้งหมดเท่ากัน
    • เพื่อรับประกันว่าแต่ละโซ่จะมีการดึงที่เป็นอิสระจากกัน
    • เพื่อเปิดเผยว่าการวิ่งแยกกันสำรวจพื้นที่เป้าหมายที่เข้ากันได้หรือไม่
  5. ขนาดตัวอย่างที่มีประสิทธิภาพประมาณเท่าใด
    • จำนวนแถวทั้งหมดที่บันทึกไว้โดยไม่คำนึงถึงความสัมพันธ์
    • การจับฉลากโดยอิสระเทียบเท่ากับปริมาณหลังจากการบัญชีสำหรับการขึ้นต่อกัน
    • จำนวนพารามิเตอร์ที่อยู่ด้านหลัง
    • ความน่าจะเป็นที่แบบจำลองนั้นถูกต้อง
  6. R-hat เปรียบเทียบข้ามโซ่อย่างไร
    • ความแม่นยำในการทำนายพร้อมข้อผิดพลาดในการฝึก
    • ความหนาแน่นก่อนหน้าด้วยความน่าจะเป็นเท่านั้น
    • พฤติกรรมภายในสายโซ่และระหว่างสายโซ่
    • จำนวนพารามิเตอร์ที่มีการสังเกต
  7. เหตุใดการละทิ้งการอุ่นเครื่องจึงไม่รับประกันการมาบรรจบกัน?
    • โซ่ทั้งหมดจะเป็นอิสระหลังจากนั้น
    • Warmup มีคำหลังที่แน่นอนตามคำจำกัดความ
    • การกระจายเป้าหมายเปลี่ยนแปลงหลังจากการวอร์มอัพ
    • ไม่มีการทิ้งจำกัดแบบตายตัวพิสูจน์ได้ว่ามีการสำรวจปริมาณที่เกี่ยวข้องทั้งหมดแล้ว
  8. เชนมีการเสมอที่บันทึกไว้มากมาย แต่มี ESS ต่ำสำหรับความน่าจะเป็นส่วนท้าย อะไรตามมา?
    • การประมาณการส่วนท้ายอาจยังมีความไม่แน่นอนของมอนติคาร์โลอยู่มาก
    • ความน่าจะเป็นส่วนท้ายเป็นศูนย์อย่างแน่นอน
    • ค่าเฉลี่ยหลังจะต้องมีอคติ
    • โมเดลจำเป็นต้องระบุไม่ถูกต้อง