Minorization Conditions and Convergence Rates for Markov Chain Monte Carlo
马尔可夫链蒙特卡洛的下界条件与收敛速度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。
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：摘要讨论通用模拟算法的收敛理论，未明确对应所列经济计量细分领域。
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
马尔可夫链蒙特卡洛的下界条件与收敛速度
- 研究问题
- 如何为一般状态空间的离散时间马尔可夫链建立可事先计算的收敛界，以判断 Gibbs 等模拟算法需要运行多久？
- 方法与思路
- 作者利用马尔可夫链的 minorization 下界条件分析收敛，并将方法应用于二元正态和具有伽马条件分布的层级泊松模型。
- 材料陈述的贡献
- 摘要称该方法提供严格的先验运行长度界，可用于判断模拟何时达到所需精度，并在两类 Gibbs 抽样模型中应用。
- 阅读关注点
- 应核对收敛误差所用距离、下界条件的验证步骤，以及运行长度界对初始状态、模型参数和目标精度的依赖。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；摘要未说明误差度量、具体界值或这些界的实际紧致程度。
原文摘要
General methods are provided for analyzing the convergence of discrete-time, general state-space Markov chains, such as those used in stochastic simulation algorithms including the Gibbs sampler. The methods provide rigorous, a priori bounds on how long these simulations should be run to give satisfactory results. Results are applied to two models of the Gibbs sampler: a bivariate normal model, and a hierarchical Poisson model (with gamma conditionals). The methods use the notion of minorization conditions for Markov chains.