가역점프 마르코프 체인 몬테카를로

Reversible-jump Markov chain Monte Carlo

계산 통계에서 가역-점프 마코프 체인 몬테 카를로(Monete Carlo)는 표준 마코프 체인 몬테 카를로(MMC) 방법론에 대한 확장으로 다양한 차원공간에서의 후방 분포시뮬레이션할 수 있다.[1]따라서 모형매개변수 수를 알 수 없더라도 시뮬레이션이 가능하다.

내버려두다

인디케이터가 되고 M= = I n. 치수 가 d d_{인 파라미터 은 n m 모델에 따라 달라진다모델 표시는 유한할 필요가 없다.고정 분포는(, 의 관절 후분포로서, 값, 을 취한다

제안서 은(는) () {\displaystyle 매핑 {\ 로 구성될 서 u 는 농도 q}의 랜덤 U에서 도출된다.따라서 상태로의이동( m ) 은 다음과 같이 공식화할 수 있다.

함수

1 1로 다르고 0이 아닌 지지를 얻어야 한다.

역함수가 존재하도록

그것은 다른 것이다.따라서( ,) ( ) 치수 기준이 동일한 치수여야 한다.

m(는) 의 치수임.이것을 치수 일치라고 한다.

R 이면 치수 일치 조건을 다음과 같이 줄일 수 있다.

와 함께

합격 확률은 다음과 같다.

여기서 은 절대값을 나타내며 f 는 관절 후측 확률이다.

여기서 (는) 정규화 상수다.

소프트웨어 패키지

오픈 소스 BUGs 패키지에 사용할 수 있는 실험용 RJ-MC 도구가 있다.

Gen 확률론적 프로그래밍 시스템비자발적 MCMC 기능의 일부로 사용자 정의 가역점프 MCMC 커널의 허용 확률 계산을 자동화한다.

참조

  1. ^ Green, P.J. (1995). "Reversible Jump Markov Chain Monte Carlo Computation and Bayesian Model Determination". Biometrika. 82 (4): 711–732. CiteSeerX 10.1.1.407.8942. doi:10.1093/biomet/82.4.711. JSTOR 2337340. MR 1380810.