อัลกอริธึม Monte Carlo ในอุดมคติใช้ค่าสุ่มต่อเนื่องแบบอิสระ ใน MCMC ค่าต่อเนื่องไม่เป็นอิสระซึ่งทำให้วิธีการบรรจบกันช้ากว่าอุดมคติ Carlo; อย่างไรก็ตามยิ่งผสมกันเร็วเท่าไหร่ก็ยิ่งสลายการพึ่งพาได้เร็วขึ้นในการวนซ้ำต่อเนื่องและเร็วขึ้น
¹ฉันหมายถึงที่นี่ว่าค่าต่อเนื่องนั้น "เกือบเป็นอิสระ" ของสถานะเริ่มต้นหรือแทนที่จะให้ค่าณ จุดหนึ่งค่าจะกลายเป็น "เกือบเป็นอิสระ" ของเมื่อเติบโตขึ้น ดังนั้นดังที่ qkhhly กล่าวไว้ในความคิดเห็นว่า "ห่วงโซ่ไม่ติดอยู่ในบางพื้นที่ของพื้นที่รัฐ"XnXń+k kXnk
แก้ไข: ฉันคิดว่าตัวอย่างต่อไปนี้สามารถช่วยได้
ลองจินตนาการว่าคุณต้องการประมาณค่าเฉลี่ยของการกระจายแบบสม่ำเสมอบนโดย MCMC คุณเริ่มต้นด้วยลำดับที่สั่งซื้อ ; ในแต่ละขั้นตอนคุณเลือกองค์ประกอบตามลำดับและสุ่มแบบสุ่ม ในแต่ละขั้นตอนองค์ประกอบที่ตำแหน่ง 1 จะถูกบันทึก นี่เป็นการรวมกันของการกระจาย ค่าของจะควบคุมความเร็วในการผสม: เมื่อจะช้า เมื่อองค์ประกอบที่ต่อเนื่องจะเป็นอิสระและการผสมจะรวดเร็ว( 1 , … , n ) k > 2 k k = 2 k = n{1,…,n}(1,…,n)k>2kk=2k=n
นี่คือฟังก์ชั่น R สำหรับอัลกอริทึม MCMC นี้:
mcmc <- function(n, k = 2, N = 5000)
{
x <- 1:n;
res <- numeric(N)
for(i in 1:N)
{
swap <- sample(1:n, k)
x[swap] <- sample(x[swap],k);
res[i] <- x[1];
}
return(res);
}
ลองใช้กับและวางแผนการประมาณค่าเฉลี่ยต่อเนื่องของตามการวนซ้ำของ MCMC:μ = 50n=99μ=50
n <- 99; mu <- sum(1:n)/n;
mcmc(n) -> r1
plot(cumsum(r1)/1:length(r1), type="l", ylim=c(0,n), ylab="mean")
abline(mu,0,lty=2)
mcmc(n,round(n/2)) -> r2
lines(1:length(r2), cumsum(r2)/1:length(r2), col="blue")
mcmc(n,n) -> r3
lines(1:length(r3), cumsum(r3)/1:length(r3), col="red")
legend("topleft", c("k = 2", paste("k =",round(n/2)), paste("k =",n)), col=c("black","blue","red"), lwd=1)
คุณสามารถดูได้ที่นี่ว่าสำหรับ (เป็นสีดำ) การบรรจบกันนั้นช้า สำหรับk = 50 (เป็นสีน้ำเงิน) จะเร็วกว่า แต่ก็ยังช้ากว่าเมื่อใช้k = 99 (เป็นสีแดง)k=2k=50k=99
นอกจากนี้คุณยังสามารถพล็อตฮิสโตแกรมสำหรับการกระจายของค่าเฉลี่ยโดยประมาณหลังจากจำนวนการทำซ้ำคงที่เช่น 100 การทำซ้ำ:
K <- 5000;
M1 <- numeric(K)
M2 <- numeric(K)
M3 <- numeric(K)
for(i in 1:K)
{
M1[i] <- mean(mcmc(n,2,100));
M2[i] <- mean(mcmc(n,round(n/2),100));
M3[i] <- mean(mcmc(n,n,100));
}
dev.new()
par(mfrow=c(3,1))
hist(M1, xlim=c(0,n), freq=FALSE)
hist(M2, xlim=c(0,n), freq=FALSE)
hist(M3, xlim=c(0,n), freq=FALSE)
คุณจะเห็นว่าด้วย (M1) อิทธิพลของค่าเริ่มต้นหลังจากการวนซ้ำ 100 ครั้งจะให้ผลลัพธ์ที่แย่มากเท่านั้น ด้วยk = 50ดูเหมือนว่าตกลงกับส่วนเบี่ยงเบนมาตรฐานยังคงสูงกว่ากับk = 99 นี่คือวิธีการและ sd:k=2k=50k=99
> mean(M1)
[1] 19.046
> mean(M2)
[1] 49.51611
> mean(M3)
[1] 50.09301
> sd(M2)
[1] 5.013053
> sd(M3)
[1] 2.829185