• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Statistics and computing >Zero variance Markov chain Monte Carlo for Bayesian estimators
【24h】

Zero variance Markov chain Monte Carlo for Bayesian estimators

机译：贝叶斯估计量的零方差马尔可夫链蒙特卡洛

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Interest is in evaluating, by Markov chain Monte Carlo (MCMC) simulation, the expected value of a function with respect to a, possibly unnormalized, probability distribution. A general purpose variance reduction technique for the MCMC estimator, based on the zero-variance principle introduced in the physics literature, is proposed. Conditions for asymptotic unbiasedness of the zero-variance estimator are derived. A central limit theorem is also proved under regularity conditions. The potential of the idea is illustrated with real applications to probit, logit and GARCH Bayesian models. For all these models, a central limit theorem and unbiasedness for the zero-variance estimator are proved (see the supplementary material available on-line).
机译：感兴趣的是通过马尔可夫链蒙特卡罗（MCMC）仿真评估函数相对于可能的非标准化概率分布的期望值。提出了一种基于物理学文献中介绍的零方差原理的MCMC估计器通用方差减少技术。推导出零方差估计量的渐近无偏的条件。在正则条件下也证明了一个中心极限定理。通过将实际应用应用于概率，logit和GARCH贝叶斯模型，可以说明这种想法的潜力。对于所有这些模型，证明了零方差估计量的中心极限定理和无偏性（请参见在线提供的补充材料）。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号