Covariance Structure of the Gibbs Sampler with Applications to the Comparisons of Estimators and Augmentation Schemes
Gibbs 抽样的协方差结构：估计量与数据增广方案的比较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：摘要研究通用贝叶斯计算与 Markov 链效率，没有所列经济计量应用方向的直接证据。
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…
Gibbs 抽样的协方差结构：估计量与数据增广方案的比较
- 研究问题
- 数据增广产生的 Gibbs 链具有怎样的协方差结构，后验近似方式以及随机分量的折叠、分组如何影响估计效率？
- 方法与思路
- 作者比较参数样本的经验分布与完整数据后验的混合近似，研究 Rao–Blackwell 化的自协方差效应及增广方案。
- 材料陈述的贡献
- 摘要称 Rao–Blackwell 化使自协方差出现一期滞后，混合近似估计方差更小；两三分量下折叠和分组通常提高效率。
- 阅读关注点
- 应核对方差比较针对的估计对象、一期滞后的精确定义，以及折叠和分组提高效率的条件与例外。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；完整条件和计算成本未说明，“通常更有效”不能视为任意 Gibbs 链的普遍保证。
原文摘要
We study the covariance structure of a Markov chain generated by the Gibbs sampler, with emphasis on data augmentation. When applied to a Bayesian missing data problem, the Gibbs sampler produces two natural approximations for the posterior distribution of the parameter vector: the empirical distribution based on the sampled values of the parameter vector, and a mixture of complete data posteriors. We prove that Rao-Blackwellization causes a one-lag delay for the autocovariances among dependent samples obtained from data augmentation, and consequently, the mixture approximation produces estimates with smaller variances than the empirical approximation. The covariance structure results are used to compare different augmentation schemes. It is shown that collapsing and grouping random components in a Gibbs sampler with two or three components usually result in more efficient sampling schemes.