คุณมีตัวเลือกที่ดีเรียบง่ายและมากขึ้น เครื่องแบบของคุณก่อนช่วยให้พวกเขาง่ายขึ้น
ตัวเลือก 1: ตัวอย่างอิสระ คุณสามารถตั้งค่าการกระจายข้อเสนอของคุณเท่ากับการกระจายแบบสม่ำเสมอทั่วหน่วยสี่เหลี่ยมจัตุรัสซึ่งทำให้มั่นใจได้ว่าตัวอย่างจะไม่ตกนอกเขตหวงห้ามในขณะที่คุณเรียกมัน ข้อเสียที่อาจเกิดขึ้น: หากด้านหลังมีการกระจุกตัวอยู่ในพื้นที่เล็ก ๆ ของหน่วยสี่เหลี่ยมจัตุรัสคุณอาจมีอัตราการยอมรับที่ต่ำมาก OTOH มันยากที่จะสร้างตัวเลขสุ่มเร็วกว่าจากการแจกแจงแบบ U (0,1) อัพไซด์ที่มีโอกาส: ทำงานน้อยลงสำหรับคุณ
ตัวเลือกที่ 2: แปลงพารามิเตอร์ของคุณเป็นสิ่งที่ไม่ได้ผูกไว้ทำข้อเสนอสำหรับพารามิเตอร์ที่แปลงแล้วเปลี่ยนพารามิเตอร์กลับมาใช้ในฟังก์ชันโอกาส โปรดทราบว่าในกรณีนี้สิ่งที่ควรทำก่อนหน้านี้คือพารามิเตอร์ที่แปลงเพราะนั่นคือสิ่งที่คุณกำลังทำข้อเสนอดังนั้นคุณจะต้องยุ่งกับ Jacobian แห่งการเปลี่ยนแปลงเพื่อรับสิ่งใหม่ก่อน สำหรับการวิเคราะห์ของคุณแน่นอนว่าคุณจะแปลงตัวเลขสุ่มพารามิเตอร์ที่สร้างโดย MCMC กลับไปเป็นพารามิเตอร์ดั้งเดิม ข้อเสียที่อาจเกิดขึ้น: เริ่มต้นทำงานมากขึ้นสำหรับคุณ แนวโน้มกลับหัว: อัตราการตอบรับที่ดีกว่าสำหรับข้อเสนอของคุณ
ตัวเลือก 3: สร้างการแจกแจงข้อเสนอนอกเหนือจากตัวอย่างอิสระที่อยู่ในหน่วยสี่เหลี่ยม สิ่งนี้ช่วยให้คุณสามารถรักษาเครื่องแบบของคุณไว้ก่อนได้ แต่จะมีความซับซ้อนมากขึ้นเมื่อคำนวณความน่าจะเป็นของข้อเสนอ ตัวอย่างนี้ให้เป็นค่าปัจจุบันของหนึ่งในพารามิเตอร์ของคุณจะเป็นการกระจายเบต้ากับพารามิเตอร์( n x , n ( 1 - x ) ) ยิ่งnยิ่งมากขึ้นข้อเสนอของคุณจะเข้มข้นขึ้นกว่ามูลค่าปัจจุบัน ข้อเสียที่อาจเกิดขึ้น: เริ่มต้นทำงานมากขึ้นสำหรับคุณ Pptential คว่ำ: อัตราการยอมรับที่ดีกว่าสำหรับข้อเสนอของคุณ - แต่ถ้าคุณทำnx(nx,n(1−x))nn มีขนาดใหญ่เกินไปและขยับเข้าใกล้มุมคุณอาจไขลานทำมุมเล็ก ๆ ก่อนที่จะออก
ตัวเลือก 4: เพียงปฏิเสธข้อเสนอที่อยู่นอกหน่วยสี่เหลี่ยม (ข้อเสนอแบบครึ่งใจของซีอาน) โปรดทราบว่านี่ไม่เหมือนกับการสร้างข้อเสนออื่น ในกรณีนี้คุณกำลังปฏิเสธข้อเสนอซึ่งหมายความว่าค่าถัดไปของคุณสำหรับพารามิเตอร์เหมือนกันกับค่าปัจจุบันสำหรับพารามิเตอร์ สิ่งนี้จะได้ผลเพราะมันจะเกิดอะไรขึ้นถ้าคุณมีความน่าจะเป็นก่อนหน้าเป็นศูนย์สำหรับบางส่วนของพื้นที่พารามิเตอร์ของคุณและสร้างตัวเลขสุ่มที่ตกอยู่ในภูมิภาคนั้น ข้อเสียที่อาจเกิดขึ้น: หากคุณเข้าใกล้มุมคุณอาจมีโอกาสได้รับการยอมรับต่ำและติดอยู่พักหนึ่ง อัพไซด์ที่มีโอกาส: ทำงานน้อยลงสำหรับคุณ
ตัวเลือกที่ 5: สร้างปัญหาแบบขยายบนระนาบซึ่งในหน่วยสี่เหลี่ยมจัตุรัสเหมือนกับปัญหาจริงที่คุณเผชิญทำทุกอย่างถูกต้องจากนั้นเมื่อโพสต์ประมวลผลผลลัพธ์ของการสุ่มตัวอย่าง MCMC ให้ทิ้งตัวอย่างทั้งหมดภายนอก ของตารางหน่วย ความเป็นไปได้ที่จะเกิดขึ้น: ถ้ามันง่ายที่จะสร้างปัญหาที่ขยายออกไปมันอาจจะทำงานได้ไม่ดีสำหรับคุณ ข้อเสียที่อาจเกิดขึ้น: หากโซ่มาร์คอฟเดินไปที่ไหนสักแห่งนอกจัตุรัสหน่วยในขณะที่คุณอาจมีความน่าจะเป็นที่ยอมรับที่น่ากลัวเพราะคุณจะทิ้งตัวอย่างส่วนใหญ่ของคุณ
ไม่ต้องสงสัยเลยว่ามีตัวเลือกอื่นฉันสนใจที่จะเห็นสิ่งที่คนอื่นแนะนำ!
ความแตกต่างระหว่าง 2 และ 3 คือความคิดแม้ว่าจะมีความหมายที่แท้จริงสำหรับสิ่งที่คุณทำ ฉันอาจจะไปกับ 3 เพราะฉันแค่ให้ R บอกฉันว่าน่าจะเป็นข้อเสนอ (ถ้าฉันเขียนโปรแกรมใน R) และจำนวนของความพยายามพิเศษนอกเหนือจากการปรับแต่งของพารามิเตอร์การกระจายข้อเสนอดู เล็กสำหรับฉัน ถ้าฉันใช้ JAGS หรือ BUGS แน่นอนว่าเป็นเรื่องที่แตกต่างกันโดยสิ้นเชิงเนื่องจากเครื่องมือเหล่านั้นจัดการกับข้อเสนอของตัวเองn