引導式測驗 · 中等 等級
馬可夫鏈蒙地卡羅測驗
測試 Metropolis-Hastings 接受度、吉布斯條件更新以及為什麼自相關和多鏈診斷很重要。
問題 1 的 8
為什麼 MCMC 抽籤通常不等於相同數量的獨立樣本?
預覽每個問題8 問題
當您參加測驗時,就會出現答案和解釋。
- 為什麼 MCMC 抽籤通常不等於相同數量的獨立樣本?
- 連續的狀態是相關的並且通常是自相關的
- 目標分佈沒有機率
- 每一個提議總是被拒絕
- 只能採樣一個參數
- 對於不對稱的 Metropolis-Hastings 提案,需要什麼附加比率項?
- 參數數量的平方
- 反向提議機率除以正向提議機率
- 目標的樣本平均值
- 後間隔寬度
- 吉布斯採樣在每次座標更新時繪製什麼?
- 總是被拒絕的提議
- 根據定義從聯合後驗中獨立抽取
- 給定當前其他變數的該變數的完整條件值
- 具有最大似然性的點
- 為什麼要從分散的起始值運行鏈條?
- 在沒有模型的情況下估計資料可能性
- 使所有後驗值相等
- 保證每條鏈都有獨立的抽獎
- 揭示單獨的運行是否探索相容的目標區域
- 有效樣本量估計是多少?
- 無論相關性如何,保存的總行數
- 考慮依賴性後的獨立抽取當量
- 後驗參數的數量
- 模型正確的機率
- R-hat 跨鏈比較什麼?
- 訓練誤差的預測精度
- 僅具有似然性的先驗密度
- 鏈內和鏈間行為
- 具有觀測值的參數數量
- 為什麼丟棄預熱不能保證收斂?
- 之後所有鏈都變得獨立
- 根據定義,熱身包含精確的後驗
- 預熱後目標分佈發生變化
- 沒有固定的有限丟棄證明所有相關數量都已被探索
- 一條鏈有很多已保存的抽獎,但尾部機率的 ESS 較低。接下來是什麼?
- 尾部估計可能仍存在很大的蒙特卡羅不確定性
- 尾部機率恰好為零
- 後驗均值必須有偏差
- 模型肯定是錯誤指定的