Efficient implementation of Markov chain Monte Carlo when using an unbiased likelihood estimator
使用无偏似然估计时的 MCMC 高效实现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：摘要明确将计算方法应用于股票指数收益的随机波动率模型。
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…
使用无偏似然估计时的 MCMC 高效实现
- 研究问题
- 在使用无偏似然估计的 Metropolis–Hastings 链中，如何选择估计似然的蒙特卡洛样本量，平衡计算时间与链平均值方差？
- 方法与思路
- 作者假设对数似然估计的加性噪声为高斯，方差与样本数成反比且不依赖参数值，据此研究计算成本与渐近方差的权衡。
- 材料陈述的贡献
- 摘要称，论文在这些噪声假设下提供样本量选择指导，并以股票指数收益的随机波动率模型说明方法的应用。
- 阅读关注点
- 应核对无偏性针对似然而非对数似然、噪声假设的适用性，以及成本衡量、样本量指导与波动率应用的实现细节。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；具体选择规则和应用数值未提供，结论依赖所述噪声假设，不能推广为任意似然估计的最优规则。
原文摘要
When an unbiased estimator of the likelihood is used within a Metropolis–Hastings chain, it is necessary to trade off the number of Monte Carlo samples used to construct this estimator against the asymptotic variances of the averages computed under this chain. Using many Monte Carlo samples will typically result in Metropolis–Hastings averages with lower asymptotic variances than the corresponding averages that use fewer samples; however, the computing time required to construct the likelihood estimator increases with the number of samples. Under the assumption that the distribution of the additive noise introduced by the loglikelihood estimator is Gaussian with variance inversely proportional to the number of samples and independent of the parameter value at which it is evaluated, we provide guidelines on the number of samples to select. We illustrate our results by considering a stochastic volatility model applied to stock index returns.