คำถามติดแท็ก mcmc

ฉันต้องการที่จะใช้ (ใน R) แบบจำลองเชิงเส้นตรงแบบง่าย ๆ ดังต่อไปนี้ซึ่งฉันมี 2 ตัวแปรที่ไม่รู้จักเวลา (ความแปรปรวนของข้อผิดพลาดการสังเกตและความแปรปรวนของข้อผิดพลาดของรัฐϵ 2 t )ε1เสื้อϵt1\epsilon^1_tε2เสื้อϵt2\epsilon^2_t Yเสื้อθt + 1==θเสื้อ+ ϵ1เสื้อθเสื้อ+ ϵ2เสื้อYt=θt+ϵt1θt+1=θt+ϵt2 \begin{matrix} Y_t & = & \theta_t + \epsilon^1_t\\ \theta_{t+1} & = & \theta_{t}+\epsilon^2_t \end{matrix} ฉันต้องการที่จะประมาณค่าพารามิเตอร์เหล่านี้ที่จุดในแต่ละครั้ง, โดยไม่ต้องมีอคติมองไปข้างหน้า จากสิ่งที่ฉันเข้าใจฉันสามารถใช้ MCMC (บนหน้าต่างกลิ้งเพื่อหลีกเลี่ยงอคติข้างหน้า) หรือตัวกรองอนุภาค (หรือ Sequential Monte Carlo - SMC) วิธีการที่คุณจะใช้และ อะไรคือข้อดีและข้อเสียของทั้งสองวิธี? คำถามโบนัส: ในวิธีการเหล่านี้คุณจะเลือกความเร็วของการเปลี่ยนแปลงพารามิเตอร์ได้อย่างไร ฉันเดาว่าเราต้องป้อนข้อมูลที่นี่เพราะมีการต่อรองระหว่างการใช้ข้อมูลจำนวนมากเพื่อประเมินพารามิเตอร์และใช้ข้อมูลน้อยลงเพื่อตอบสนองต่อการเปลี่ยนแปลงของพารามิเตอร์ได้เร็วขึ้นหรือไม่

11 r  mcmc  dlm  particle-filter 

การดีบักโปรแกรม MCMC นั้นเป็นเรื่องยาก ความยากลำบากเกิดขึ้นเนื่องจากหลายประเด็นซึ่งบางประเด็นคือ: (a) ธรรมชาติของอัลกอริธึม เรามักจะวาดพารามิเตอร์ตามเงื่อนไขในพารามิเตอร์อื่น ๆ ทั้งหมด ดังนั้นหากการนำไปใช้งานไม่ทำงานอย่างถูกต้องจะเป็นการยากที่จะแยกบั๊กเนื่องจากปัญหาสามารถอยู่ที่ใดก็ได้ในตัวอย่างซ้ำ (b) ไม่จำเป็นต้องรู้คำตอบที่ถูกต้อง เราไม่มีทางที่จะบอกได้ว่าเราประสบความสำเร็จในการบรรจบกันหรือไม่ ในระดับหนึ่งสิ่งนี้สามารถลดลงได้โดยการทดสอบรหัสเกี่ยวกับข้อมูลจำลอง จากประเด็นข้างต้นฉันสงสัยว่ามีเทคนิคมาตรฐานที่สามารถใช้ในการดีบักโปรแกรม MCMC หรือไม่ แก้ไข ฉันต้องการแบ่งปันวิธีการที่ฉันใช้เพื่อดีบักโปรแกรมของฉันเอง แน่นอนฉันทำทุกสิ่งที่ PeterR พูดถึง นอกเหนือจากนั้นฉันทำการทดสอบต่อไปนี้โดยใช้ข้อมูลจำลอง: เริ่มต้นพารามิเตอร์ทั้งหมดจากค่าจริงและดูว่าตัวอย่างเก็บค่าเบี่ยงเบนจากค่าจริงมากเกินไปหรือไม่ ฉันมีค่าสถานะสำหรับแต่ละพารามิเตอร์ในตัวอย่างซ้ำของฉันที่กำหนดว่าฉันกำลังวาดพารามิเตอร์นั้นในตัวอย่างซ้ำ ตัวอย่างเช่นหากตั้งค่าสถานะ 'gen_param1' เป็นจริงจากนั้นฉันวาด 'param1' จากเงื่อนไขแบบเต็มในตัวอย่างซ้ำ หากสิ่งนี้ถูกตั้งค่าเป็นเท็จ 'param1' จะถูกตั้งค่าเป็นค่าจริง เมื่อฉันเขียนตัวอย่างเสร็จฉันทดสอบโปรแกรมโดยใช้สูตรต่อไปนี้: ตั้งค่าสถานะการสร้างสำหรับหนึ่งพารามิเตอร์เป็นจริงและทุกอย่างอื่นเป็นเท็จและประเมินการบรรจบกันตามมูลค่าที่แท้จริง ตั้งธงสร้างสำหรับพารามิเตอร์อื่นร่วมกับคนแรกและประเมินการบรรจบกันอีกครั้ง ขั้นตอนข้างต้นเป็นประโยชน์กับฉันอย่างไม่น่าเชื่อ

11 mcmc 

บนหน้า wikiผู้พัฒนาของรัฐสแตน: หลักการบางอย่างที่เราไม่ชอบ: ค่าคงที่, เจฟฟรีย์, ค่าเอนโทรปี แต่ฉันเห็นคำแนะนำการกระจายตามปกติมากมาย จนถึงตอนนี้ฉันใช้วิธีเบย์ซึ่งไม่ได้ใช้การสุ่มตัวอย่างและยินดีที่ได้เข้าใจว่าทำไมเป็นตัวเลือกที่ดีสำหรับโอกาสทวินามθ ∼ Beta ( α = 12, β= 12)θ∼Beta(α=12,β=12)\theta \sim \text{Beta}\left(\alpha=\frac{1}{2},\beta=\frac{1}{2}\right)

11 bayesian  mcmc  prior  pymc  stan 

mgcvแพคเกจสำหรับการRมีสองฟังก์ชั่นสำหรับการปฏิสัมพันธ์กระชับเมตริกซ์ผลิตภัณฑ์: และte() ti()ฉันเข้าใจการแบ่งขั้นพื้นฐานของการใช้แรงงานระหว่างคนทั้งสอง (ปรับให้เหมาะสมกับการทำงานแบบไม่เป็นเชิงเส้นเปรียบเทียบกับการย่อยสลายการโต้ตอบนี้เป็นผลกระทบหลักและการโต้ตอบ) สิ่งที่ฉันไม่เข้าใจคือสาเหตุte(x1, x2)และti(x1) + ti(x2) + ti(x1, x2)อาจให้ผลลัพธ์ที่แตกต่าง (เล็กน้อย) MWE (ดัดแปลงมาจาก?ti): require(mgcv) test1 <- function(x,z,sx=0.3,sz=0.4) { x <- x*20 (pi**sx*sz)*(1.2*exp(-(x-0.2)^2/sx^2-(z-0.3)^2/sz^2)+ 0.8*exp(-(x-0.7)^2/sx^2-(z-0.8)^2/sz^2)) } n <- 500 x <- runif(n)/20;z <- runif(n); xs <- seq(0,1,length=30)/20;zs <- seq(0,1,length=30) pr <- data.frame(x=rep(xs,30),z=rep(zs,rep(30,30))) truth <- matrix(test1(pr$x,pr$z),30,30) f <- test1(x,z) y <- f …

11 r  gam  mgcv  conditional-probability  mixed-model  references  bayesian  estimation  conditional-probability  machine-learning  optimization  gradient-descent  r  hypothesis-testing  wilcoxon-mann-whitney  time-series  bayesian  inference  change-point  time-series  anova  repeated-measures  statistical-significance  bayesian  contingency-tables  regression  prediction  quantiles  classification  auc  k-means  scikit-learn  regression  spatial  circular-statistics  t-test  effect-size  cohens-d  r  cross-validation  feature-selection  caret  machine-learning  modeling  python  optimization  frequentist  correlation  sample-size  normalization  group-differences  heteroscedasticity  independence  generalized-least-squares  lme4-nlme  references  mcmc  metropolis-hastings  optimization  r  logistic  feature-selection  separation  clustering  k-means  normal-distribution  gaussian-mixture  kullback-leibler  java  spark-mllib  data-visualization  categorical-data  barplot  hypothesis-testing  statistical-significance  chi-squared  type-i-and-ii-errors  pca  scikit-learn  conditional-expectation  statistical-significance  meta-analysis  intuition  r  time-series  multivariate-analysis  garch  machine-learning  classification  data-mining  missing-data  cart  regression  cross-validation  matrix-decomposition  categorical-data  repeated-measures  chi-squared  assumptions  contingency-tables  prediction  binary-data  trend  test-for-trend  matrix-inverse  anova  categorical-data  regression-coefficients  standard-error  r  distributions  exponential  interarrival-time  copula  log-likelihood  time-series  forecasting  prediction-interval  mean  standard-error  meta-analysis  meta-regression  network-meta-analysis  systematic-review  normal-distribution  multiple-regression  generalized-linear-model  poisson-distribution  poisson-regression  r  sas  cohens-kappa 

ฉันอ่านต่อเกี่ยวกับความจำเป็นในการตรวจสอบความสัมพันธ์อัตโนมัติใน MCMC ทำไมจึงเป็นสิ่งสำคัญที่ autocorrelation ต่ำ? มันวัดอะไรในบริบทของ MCMC?

11 sampling  autocorrelation  mcmc 

ฉันจำเป็นต้องศึกษาวิธีการมาร์คอฟเชนมอนติคาร์โลเพื่อให้มีความเฉพาะเจาะจงมากขึ้นฉันต้องศึกษาอัลกอริทึม Metropolis Hastings และทุกอย่างเกี่ยวกับเรื่องนี้เช่นเกณฑ์การลู่เข้า ใครสามารถกำหนดหนังสือหรือกระดาษหรือเว็บไซต์ที่อธิบายอาร์กิวเมนต์นี้โดยใช้คำศัพท์ง่ายๆ แต่ไม่มีความรู้รอบตัว

11 references  mcmc 

ฉันกำลังสร้างแบบจำลองการกระจายพืชโดยใช้การแจกแจงปกติทั่วไป ( รายการวิกิพีเดีย ) ซึ่งมีฟังก์ชั่นความหนาแน่นของความน่าจะเป็น: b2aΓ(1/b)e−(da)bb2aΓ(1/b)e−(da)b \frac{b}{2a\Gamma(1/b)} e^{-(\frac{d}{a})^b} โดยที่คือระยะทางที่เดินทางคือพารามิเตอร์สเกลและคือพารามิเตอร์รูปร่าง ค่าเฉลี่ยระยะทางที่เดินทางได้รับจากค่าเบี่ยงเบนมาตรฐานของการแจกแจงนี้:dddaaabbb a2Γ(3/b)Γ(1/b)−−−−−−−−√a2Γ(3/b)Γ(1/b) \sqrt{\frac{a^2 \Gamma(3/b)}{\Gamma(1/b)}} นี้จะสะดวกเพราะมันช่วยให้รูปร่างชี้แจงเมื่อ , รูปร่าง Gaussian เมื่อและสำหรับการกระจาย leptokurtic เมื่อ&lt;1 การกระจายพืชนี้ขึ้นเป็นประจำในวรรณคดีกระจายพืชแม้ว่ามันจะค่อนข้างหายากโดยทั่วไปและจึงยากที่จะหาข้อมูลเกี่ยวกับb=1b=1b=1b=2b=2b=2b&lt;1b&lt;1b<1 พารามิเตอร์ที่น่าสนใจที่สุดคือและระยะห่างระหว่างการกระจายbbb ฉันกำลังพยายามประเมินและโดยใช้ MCMC แต่ฉันพยายามที่จะหาวิธีที่มีประสิทธิภาพในการสุ่มตัวอย่างค่าข้อเสนอ จนถึงตอนนี้ฉันได้ใช้ Metropolis-Hastings และดึงออกมาจากการแจกแจงแบบสม่ำเสมอและและฉันได้รับระยะทางหลังเฉลี่ยประมาณ 200-400 เมตรซึ่งทำให้รู้สึกทางชีวภาพ อย่างไรก็ตามการบรรจบกันนั้นช้ามากและฉันไม่เชื่อว่ามันเป็นการสำรวจพื้นที่พารามิเตอร์ทั้งหมดaaabbb0&lt;a&lt;4000&lt;a&lt;4000 < a < 400 0&lt;b&lt;30&lt;b&lt;3 0 < b<3 มันยากที่จะเกิดขึ้นกับการกระจายข้อเสนอที่ดีกว่าสำหรับและเพราะพวกเขาพึ่งพากันโดยไม่มีความหมายมากด้วยตนเอง ระยะทางกระจายเฉลี่ยจะมีความหมายทางชีวภาพชัดเจน แต่ให้ระยะการแพร่กระจายเฉลี่ยอาจจะอธิบายได้ด้วยหลายอย่างมากมายการรวมกันของและขเช่นและมีความสัมพันธ์ในด้านหลังaaabbbaaabbbaaabbb จนถึงตอนนี้ฉันได้ใช้ Metropolis Hastings แต่ฉันเปิดให้อัลกอริทึมอื่น ๆ ที่จะทำงานที่นี่ คำถาม:ทุกคนสามารถแนะนำวิธีที่มีประสิทธิภาพมากขึ้นในการวาดค่าข้อเสนอสำหรับและหรือไม่?aaabbb แก้ไข: …

10 distributions  bayesian  mcmc 

ขณะนี้ฉันใช้วิธีแบบเบย์เพื่อประเมินพารามิเตอร์สำหรับโมเดลที่ประกอบด้วย ODE หลายตัว เนื่องจากฉันมีพารามิเตอร์ 15 ตัวที่จะประมาณพื้นที่การสุ่มตัวอย่างของฉันคือ 15 มิติและการค้นหาการกระจายหลังดูเหมือนว่าจะมีค่าสูงสุดในพื้นที่ซึ่งแยกได้ตามภูมิภาคขนาดใหญ่ที่มีความน่าจะเป็นต่ำมาก สิ่งนี้นำไปสู่ปัญหาการผสมของโซ่ Monte Carlo ของฉันเนื่องจากมันไม่น่าเป็นไปได้มากที่โซ่หนึ่ง "กระโดด" จากจำนวนสูงสุดในท้องถิ่นเดียวและบังเอิญโดนหนึ่งในยอดเขาอื่น ๆ โดยไม่ตั้งใจ ดูเหมือนว่าจะมีงานวิจัยจำนวนมากในพื้นที่นี้เนื่องจากเป็นเรื่องง่ายที่จะหาเอกสารที่เกี่ยวข้องกับปัญหานี้ (ดูด้านล่าง) แต่การค้นหาการใช้งานจริงนั้นยาก ฉันพบแพ็คเกจที่เกี่ยวข้องกับการเปลี่ยนแปลงของโมเลกุล แต่ไม่ใช่การอนุมานแบบเบย์ มีการใช้งานตัวอย่าง MC (MC) MC ซึ่งสามารถจัดการกับ maxima แบบแยกได้หรือไม่ ฉันถูกบังคับให้ทำงานกับ Matlab เพราะนั่นคือสิ่งที่ฉันเขียนในแบบจำลอง ODE ดังนั้นข้อเสนอเกี่ยวกับ Matlab ยินดีต้อนรับมากที่สุด ;-) อย่างไรก็ตามหากมี "แอพพลิเคชั่นนักฆ่า" ในภาษาอื่น ๆ บางทีฉันสามารถโน้มน้าวให้ PI ของฉันเปลี่ยน ;-) ขณะนี้ฉันกำลังทำงานกับตัวอย่าง Monte Carlo Delayed- Reject / …

10 bayesian  mcmc  monte-carlo  ergodic 

เมื่อเร็ว ๆ นี้ฉันเริ่มใช้การสุ่มตัวอย่างความสำคัญแบบพาเรนต์แบบเรียบง่ายจาก Pareto การตรวจสอบความถูกต้องแบบ cross-one-out (PSIS-LOO) ที่อธิบายไว้ในเอกสารเหล่านี้: Vehtari, A. , &amp; Gelman, A. (2015) การสุ่มตัวอย่างสำคัญของ Pareto ทำให้ราบรื่น พิมพ์ล่วงหน้า arXiv ( ลิงก์ ) Vehtari, A. , Gelman, A. , &amp; Gabry, J. (2016) การประเมินรูปแบบเบย์ในทางปฏิบัติโดยใช้การตรวจสอบความถูกต้องแบบลาก่อนและ WAIC คำนำหน้า arXiv ( ลิงก์ ) สิ่งนี้แสดงให้เห็นถึงวิธีการที่น่าสนใจอย่างมากในการประเมินแบบจำลองนอกตัวอย่างเนื่องจากช่วยให้สามารถทำการ LOO-CV ด้วยการเรียกใช้ MCMC เดียวและถูกกล่าวหาว่าดีกว่าเกณฑ์ข้อมูลที่มีอยู่เช่น WAIC k^ผมk^ผม\hat{k}_ik^ผม≳ 0.7k^ผม≳0.7\hat{k}_i \gtrsim 0.7 …

10 machine-learning  cross-validation  mcmc  pareto-distribution  importance-sampling 

ฉันกำลังสร้างแบบจำลองเบย์แบบลำดับชั้นที่ค่อนข้างซับซ้อนสำหรับการวิเคราะห์เมตาโดยใช้ R และ JAGS ลดความซับซ้อนของบิตสองระดับที่สำคัญของแบบจำลองมี โดยที่เป็นข้อสังเกตที่จุดสิ้นสุด (ในกรณีนี้จีเอ็มเทียบกับการปลูกพืชที่ไม่ใช่จีเอ็ม) ในการศึกษา ,เป็นผลสำหรับการศึกษา , s เป็นผลกระทบของตัวแปรระดับการศึกษาต่างๆ (สถานะการพัฒนาทางเศรษฐกิจของประเทศที่ ทำการศึกษาชนิดพันธุ์พืชวิธีการศึกษา ฯลฯ ) จัดทำดัชนีโดยกลุ่มฟังก์ชันและyij=αj+ϵiyij=αj+ϵi y_{ij} = \alpha_j + \epsilon_i αj=∑hγh(j)+ϵjαj=∑hγh(j)+ϵj\alpha_j = \sum_h \gamma_{h(j)} + \epsilon_jyijyijy_{ij}iiijjjαjαj\alpha_jjjjγγ\gammahhhϵϵ\epsilons เป็นเงื่อนไขข้อผิดพลาด โปรดทราบว่า s ไม่ใช่สัมประสิทธิ์ของตัวแปรจำลอง แต่มีตัวแปรแตกต่างกันสำหรับค่าระดับการศึกษาที่แตกต่างกัน ตัวอย่างเช่นมีสำหรับประเทศกำลังพัฒนาและสำหรับประเทศที่พัฒนาแล้ว γγ\gammaγγ\gammaγdevelopingγdeveloping\gamma_{developing}γdevelopedγdeveloped\gamma_{developed} ฉันสนใจที่จะประเมินค่าของ s เป็นหลัก ซึ่งหมายความว่าการทิ้งตัวแปรระดับการศึกษาจากตัวแบบไม่ใช่ตัวเลือกที่ดี γγ\gamma มีความสัมพันธ์สูงระหว่างตัวแปรระดับการศึกษาหลายอย่างและฉันคิดว่าสิ่งนี้กำลังสร้างความสัมพันธ์อัตโนมัติขนาดใหญ่ในเครือข่าย MCMC ของฉัน พล็อตการวินิจฉัยนี้แสดงให้เห็นถึงวิถีลูกโซ่ (ซ้าย) และผลสัมพันธ์อัตโนมัติ (ขวา): จากผลของความสัมพันธ์อัตโนมัติฉันได้ขนาดตัวอย่างที่มีประสิทธิภาพ 60-120 จาก …

10 autocorrelation  multilevel-analysis  mcmc  jags 

หลังจากเบิร์นอินเราสามารถใช้การทำซ้ำ MCMC โดยตรงสำหรับการประมาณความหนาแน่นเช่นโดยการพล็อตฮิสโตแกรมหรือการประมาณความหนาแน่นของเคอร์เนล ความกังวลของฉันคือการทำซ้ำ MCMC ไม่จำเป็นต้องเป็นอิสระแม้ว่าจะมีการกระจายตัวเหมือนกันมากที่สุด จะเป็นอย่างไรถ้าเราใช้การทำ MCMC ซ้ำต่อไป ความกังวลของฉันคือการทำซ้ำ MCMC นั้นไม่เกี่ยวข้องกันมากที่สุดและยังไม่เป็นอิสระ พื้นดินที่ฉันเรียนรู้สำหรับการใช้ฟังก์ชันการแจกแจงเชิงประจักษ์เป็นการประมาณค่าของฟังก์ชันการแจกแจงที่แท้จริงขึ้นอยู่กับทฤษฎีบท Glivenko - Cantelliที่ซึ่งฟังก์ชันการแจกแจงเชิงประจักษ์ถูกคำนวณตามตัวอย่าง iid ฉันดูเหมือนจะเห็นบางสิ่ง (ผลลัพธ์แบบอะซิมโทติค) สำหรับการใช้ฮิสโตแกรมหรือการประมาณความหนาแน่นของเคอร์เนลเป็นการประมาณความหนาแน่น แต่ฉันจำไม่ได้

10 distributions  mcmc  asymptotics 

ฉันมีประสบการณ์ในทางปฏิบัติที่ดีกับการสุ่มตัวอย่าง Metropolis-Hastings และ Gibbs แต่ฉันต้องการทำความเข้าใจทางคณิตศาสตร์ของอัลกอริทึมเหล่านี้ให้ดีขึ้น หนังสือหรือบทความดี ๆ อะไรบ้างที่พิสูจน์ความถูกต้องของตัวอย่างเหล่านี้ (อัลกอริธึมที่มากกว่านั้นก็ยอดเยี่ยมเช่นกัน)?

10 bayesian  references  mcmc 

ฉันกำลังทำงานในโครงการวิจัยที่เกี่ยวข้องกับการปรับให้เหมาะสมและเพิ่งมีความคิดที่จะใช้ MCMC ในการตั้งค่านี้ น่าเสียดายที่ฉันค่อนข้างใหม่สำหรับวิธีการ MCMC ดังนั้นฉันจึงมีคำถามหลายข้อ ฉันจะเริ่มต้นด้วยการอธิบายปัญหาแล้วถามคำถามของฉัน ปัญหาของเราเดือดลงไปประมาณมูลค่าที่คาดหวังของฟังก์ชั่นค่าใช้จ่ายc ( ω )c(ω)c(\omega)ที่ω = ( ω1, ω2, . . . ωชั่วโมง)ω=(ω1,ω2,...ωh)\omega = (\omega_1,\omega_2,...\omega_h)เป็นชั่วโมงhhตัวแปรสุ่ม -dimentional ที่มีความหนาแน่นฉ( ω )f(ω)f(\omega) ) ในกรณีของเราเป็นรุ่นแบบปิดของc ( ω )c(ω)c(\omega)ไม่อยู่ ซึ่งหมายความว่าเราต้องใช้วิธีการ Monte Carlo เพื่อประมาณค่าที่คาดหวัง น่าเสียดายที่การประมาณการของE[ c ( ω ) ]E[c(ω)]E[c(\omega)]ที่สร้างขึ้นโดยใช้วิธี MC หรือ QMC นั้นมีความแปรปรวนมากเกินไปที่จะเป็นประโยชน์ภายในการตั้งค่าภาคปฏิบัติ หนึ่งความคิดที่ว่าเราต้องใช้การกระจายความสำคัญการสุ่มตัวอย่างในการสร้างจุดตัวอย่างที่จะผลิตประมาณการต่ำแปรปรวนของE[ c ( ω ) ]E[c(ω)]E[c(\omega)] …

10 sampling  mcmc  matlab  expected-value 

ฉันมีคำถามเกี่ยวกับวิธีแก้ไขปัญหาการตรวจสอบใน JAGS ฉันสังเกตการผสมแบบสองตัวแปรตามปกติซึ่งค่า X มีข้อผิดพลาดในการวัด ฉันต้องการจำลอง 'ค่าเฉลี่ย' ที่แท้จริงของค่าการตรวจสอบที่สังเกตได้ ⌈xtrue+ϵ⌉=xobserved ϵ∼N(0,sd=.5)⌈xtrue+ϵ⌉=xobserved ϵ∼N(0,sd=.5)\begin{align*} \lceil x_{true}+\epsilon \rceil = x_{observed} \ \epsilon \sim N(0,sd=.5) \end{align*} นี่คือสิ่งที่ฉันมีตอนนี้: for (i in 1:n){ x[i,1:2]~dmnorm(mu[z[i],1:2], tau[z[i],1:2,1:2]) z[i]~dcat(prob[ ]) } Y ยังมีข้อผิดพลาดในการวัด สิ่งที่ฉันต้องการทำคืออะไรเช่นนี้: for (i in 1:n){ x_obs[i] ~ dnorm(x_true[i],prec_x)I(x_true[i],) y_obs[i] ~ dnorm(y_true[i],prec_y) c(x_true[i]:y_true[i])~dmnorm(mu[ z [ i ],1:2], tau[z[i],1:2,1:2]) …

10 mcmc  censoring  truncation  jags 

ฉันกำลังทำงานกับฟังก์ชั่น Monte Carlo สำหรับการประเมินมูลค่าสินทรัพย์หลายรายการที่มีผลตอบแทนที่สัมพันธ์กันบางส่วน ขณะนี้ฉันเพิ่งสร้างเมทริกซ์ความแปรปรวนร่วมและฟีดไปยังrmvnorm()ฟังก์ชันใน R (สร้างค่าสุ่มที่สัมพันธ์กัน) อย่างไรก็ตามเมื่อพิจารณาการกระจายของผลตอบแทนของสินทรัพย์จะไม่ได้รับการกระจายตามปกติ นี่เป็นคำถามสองส่วนจริง ๆ : 1) ฉันจะประมาณ PDF หรือ CDF บางประเภทได้อย่างไรเมื่อฉันมีข้อมูลโลกแห่งความจริงโดยไม่ต้องมีการแจกแจง 2) ฉันจะสร้างค่าที่สัมพันธ์กันเช่น rmvnorm ได้อย่างไร แต่สำหรับการแจกแจงที่ไม่รู้จัก (และไม่ปกติ) นี้? ขอบคุณ! การแจกแจงนั้นไม่เหมาะสมกับการแจกแจงใด ๆ ฉันคิดว่ามันจะเป็นอันตรายมากที่จะใช้พารามิเตอร์และจากนั้นใช้สำหรับการประเมิน monte carlo ไม่มี bootstrap หรือวิธี "empirical monte carlo" ที่ฉันสามารถดูได้หรือไม่?

10 mcmc  monte-carlo  pdf