Preguntas etiquetadas con gibbs

Estoy a punto de probar un entorno de estilo BUGS para estimar modelos bayesianos. ¿Hay alguna ventaja importante a considerar al elegir entre OpenBugs o JAGS? ¿Es probable que uno reemplace al otro en el futuro previsible? Usaré el Gibbs Sampler elegido con R. Todavía no tengo una aplicación específica, …

41 r  software  bugs  jags  gibbs 

He estado tratando de aprender métodos MCMC y me he encontrado con el muestreo de Metropolis Hastings, Gibbs, Importancia y Rechazo. Si bien algunas de estas diferencias son obvias, es decir, cómo Gibbs es un caso especial de Metropolis Hastings cuando tenemos los condicionales completos, las otras son menos obvias, …

36 mcmc  monte-carlo  gibbs  metropolis-hastings  importance-sampling 

Quiero aprender cómo funciona Gibbs Sampling y estoy buscando un buen papel básico a intermedio. Tengo experiencia en informática y conocimientos básicos de estadística. ¿Alguien ha leído buen material? donde lo aprendiste? Gracias

29 references  gibbs 

Cuando estoy codificando una simulación de Monte Carlo para algún problema, y ​​el modelo es lo suficientemente simple, uso un libro de texto muy básico de muestreo de Gibbs. Cuando no es posible usar el muestreo de Gibbs, codifico el libro de texto Metropolis-Hastings que aprendí hace años. El único …

21 bayesian  mcmc  gibbs  metropolis-hastings 

Acabo de leer un poco sobre el muestreo de Gibbs y el algoritmo Metropolis Hastings y tengo un par de preguntas. Según tengo entendido, en el caso del muestreo de Gibbs, si tenemos un gran problema multivariado, tomamos muestras de la distribución condicional, es decir, tomamos muestras de una variable …

20 bayesian  sampling  mcmc  gibbs  metropolis-hastings 

Existen diferentes tipos de algoritmos MCMC: Metrópolis-Hastings Gibbs Muestra de importancia / rechazo (relacionado). ¿Por qué se usaría el muestreo de Gibbs en lugar de Metropolis-Hastings? Sospecho que hay casos en los que la inferencia es más manejable con el muestreo de Gibbs que con Metropolis-Hastings, pero no tengo claros …

20 bayesian  simulation  mcmc  gibbs  metropolis-hastings 

Según la autoridad suprema 1, Gibbs Sampling es un caso especial del algoritmo Metropolis-Hastings para el muestreo de Markov Chain Monte Carlo. El algoritmo MH siempre proporciona una probabilidad de transición con la propiedad de balance detallada; Espero que Gibbs también lo haga. Entonces, ¿dónde en el siguiente caso simple …

17 mcmc  gibbs 

Estaba revisando la documentación de Stan que se puede descargar desde aquí . Estaba particularmente interesado en su implementación del diagnóstico Gelman-Rubin. El artículo original Gelman y Rubin (1992) define el factor de reducción de escala potencial (PSRF) de la siguiente manera: Deje que sea ​​la ésima cadena de Markov …

16 mcmc  convergence  gibbs  metropolis-hastings  stan 

Los algoritmos MCMC como el muestreo de Metropolis-Hastings y Gibbs son formas de muestreo de las distribuciones posteriores conjuntas. Creo que entiendo y puedo implementar la aceleración de las metrópolis con bastante facilidad: simplemente elige los puntos de partida de alguna manera y "recorre el espacio de parámetros" al azar, …

15 bayesian  mcmc  gibbs 

Estoy reproduciendo desde cero los resultados en la Sección 4.2.1 de Probabilidad marginal de la salida de Gibbs Siddhartha Chib Revista de la Asociación Americana de Estadística, vol. 90, núm. 432. (diciembre de 1995), págs. 1313-1321. Es una mezcla de modelos normales con el número conocido de componentes. k≥1k≥1k\geq 1f(x∣w,μ,σ2)=∏i=1n∑j=1kN(xi∣μj,σ2j).(∗)f(x∣w,μ,σ2)=∏i=1n∑j=1kN(xi∣μj,σj2).(∗) …

13 bayesian  mixture  gibbs 

En el libro de Gelman & Hill (2007) (Análisis de datos utilizando regresión y modelos multinivel / jerárquicos), los autores afirman que incluir parámetros medios redundantes puede ayudar a acelerar MCMC. El ejemplo dado es un modelo no anidado de "simulador de vuelo" (Ec. 13.9): yiγjδk∼N(μ+γj[i]+δk[i],σ2y)∼N(0,σ2γ)∼N(0,σ2δ)yi∼N(μ+γj[i]+δk[i],σy2)γj∼N(0,σγ2)δk∼N(0,σδ2) \begin{align} y_i &\sim N(\mu …

12 mcmc  hierarchical-bayesian  gibbs 

Según tengo entendido, lo es (al menos, así es como lo define Wikipedia ). Pero he encontrado esta declaración de Efron * (énfasis agregado): La cadena de Markov Monte Carlo (MCMC) es la gran historia de éxito de las estadísticas bayesianas modernas. MCMC y su método hermano "muestreo de Gibbs" …

11 mcmc  gibbs 

Los antecedentes de mi estudio : En un muestreo de Gibbs donde tomamos muestras de (la variable de intereses) e de y respectivamente, donde e son vectores aleatorios dimensionales. Sabemos que el proceso generalmente se divide en dos etapas:XXXYYYP(X|Y)P(X|Y)P(X|Y)P(Y|X)P(Y|X)P(Y|X)XXXYYYkkk Burn-in Period, donde descartamos todas las muestras. Denote las muestras como …

11 hypothesis-testing  covariance  covariance-matrix  gibbs 

De hecho, estoy dudando en preguntar esto, porque me temo que me remitirán a otras preguntas o a Wikipedia sobre el muestreo de Gibbs, pero no tengo la sensación de que describan lo que está a la mano. Dada una probabilidad condicional : p ( x | y ) y …

11 sampling  mcmc  gibbs 

Suponga que tiene una variable explicativa donde representa una coordenada dada. También tiene una variable de respuesta . Ahora, podemos combinar ambas variables como:X=(X(s1),…,X(sn))X=(X(s1),…,X(sn)){\bf{X}} = \left(X(s_{1}),\ldots,X(s_{n})\right)sssY=(Y(s1),…,Y(sn))Y=(Y(s1),…,Y(sn)){\bf{Y}} = \left(Y(s_{1}),\ldots,Y(s_{n})\right) W(s)=(X(s)Y(s))∼N(μ(s),T)W(s)=(X(s)Y(s))∼N(μ(s),T){\bf{W}}({\bf{s}}) = \left( \begin{array}{ccc}X(s) \\ Y(s) \end{array} \right) \sim N(\boldsymbol{\mu}(s), T) En este caso, simplemente elegimos μ(s)=(μ1μ2)Tμ(s)=(μ1μ2)T\boldsymbol{\mu}(s) = \left( \mu_{1} \; \; …

11 probability  bayesian  conditional-probability  gibbs