Rates of Convergence for Gibbs Sampling for Variance Component Models
方差分量模型中 Gibbs 抽样的收敛速度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：摘要研究通用马尔可夫链蒙特卡洛算法的收敛理论，未明确所列经济计量领域。
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
方差分量模型中 Gibbs 抽样的收敛速度
- 研究问题
- 标准方差分量模型中的 Gibbs 抽样需要多少次迭代才能收敛？论文研究位置参数个数与各组观测数如何影响迭代需求。
- 方法与思路
- 作者发展马尔可夫链 Harris 常返理论的定量版本，并将其用于方差分量模型的 Gibbs 抽样收敛时间分析。
- 材料陈述的贡献
- 摘要称，在位置参数个数和组内观测数较大时，所需迭代数为常数乘以一加二者对数之比，提供先验收敛时间结果。
- 阅读关注点
- 应核对收敛所用距离与误差标准、初始分布和模型条件，以及迭代数表达式中的常数、对数比与适用渐近范围。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；具体模型、常数与收敛判据未提供，不能将迭代结论用于任意 Gibbs 抽样。
原文摘要
This paper analyzes the Gibbs sampler applied to a standard variance component model, and considers the question of how many iterations are required for convergence. It is proved that for $K$ location parameters, with $J$ observations each, the number of iterations required for convergence (for large $K$ and $J$) is a constant times $(1 + \log K/\log J)$. This is one of the first rigorous, a priori results about time to convergence for the Gibbs sampler. A quantitative version of the theory of Harris recurrence (for Markov chains) is developed and applied.