On the Computational Complexity of MCMC-based Estimators in Large Samples
大样本下基于 MCMC 的估计方法的计算复杂度AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究通用贝叶斯及准贝叶斯计算复杂度，未给出所列专门经济计量方向的依据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
大样本下基于 MCMC 的估计方法的计算复杂度
- 研究问题
- 当后验或准后验在大样本中趋近正态分布时，这种统计近似能否为 Metropolis 随机游走的计算复杂度提供理论界？
- 方法与思路
- 作者利用 Laplace–Bernstein–von Mises 极限定理的条件，分析维度增长下的随机游走，允许受限制的非凹与不连续准则。
- 材料陈述的贡献
- 摘要称建立关于参数维度的概率多项式运行时间界，并在主要情形中获得预热后随机阶为 d² 的运行时间结论。
- 阅读关注点
- 应核对后验正态近似的量化条件、初始化与预热成本，以及 d² 结论对应的算法设定、误差标准和适用情形。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要强调非凹性与不连续性受限制，不能据此推广到任意多峰问题。
原文摘要
In this paper we examine the implications of the statistical large sample theory for the computational complexity of Bayesian and quasi-Bayesian estimation carried out using Metropolis random walks. Our analysis is motivated by the Laplace-Bernstein-Von Mises central limit theorem, which states that in large samples the posterior or quasi-posterior approaches a normal density. Using the conditions required for the central limit theorem to hold, we establish polynomial bounds on the computational complexity of general Metropolis random walks methods in large samples. Our analysis covers cases where the underlying log-likelihood or extremum criterion function is possibly non-concave, discontinuous, and with increasing parameter dimension. However, the central limit theorem restricts the deviations from continuity and log-concavity of the log-likelihood or extremum criterion function in a very specific manner. Under minimal assumptions required for the central limit theorem to hold under the increasing parameter dimension, we show that the Metropolis algorithm is theoretically efficient even for the canonical Gaussian walk which is studied in detail. Specifically, we show that the running time of the algorithm in large samples is bounded in probability by a polynomial in the parameter dimension $d$, and, in particular, is of stochastic order $d^2$ in the leading cases after the burn-in period. We then give applications to exponential families, curved exponential families, and Z-estimation of increasing dimension.