Monte Carlo Approximation of Bayes Factors via Mixing With Surrogate Distributions
通过与替代分布混合进行贝叶斯因子的蒙特卡洛近似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：摘要研究通用边际似然计算、贝叶斯因子及蒙特卡洛算法，示例模型未构成所列经济计量领域细分的直接证据。
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…
关注这篇论文的作者
通过与替代分布混合进行贝叶斯因子的蒙特卡洛近似
- 研究问题
- 如何借助归一化常数可计算的替代分布估计边际似然，并改善后验与替代分布之间以及跨模型采样的移动效率？
- 方法与思路
- 作者将目标后验与替代分布混合，用 Wang–Landau 算法估计边际似然，结合动量加速、多重尝试及变分构造。
- 材料陈述的贡献
- 摘要称动量可加快所提方法的收敛，并提出两种实施策略；替代分布难构造时，另给出结合方向采样的可逆跳跃机制。
- 阅读关注点
- 应核对混合权重如何恢复边际似然、动量加速的条件，以及替代分布质量、全局跳跃和跨模型移动的计算代价。
- 阅读边界
- 仅据稿件版本未注明的 OpenAlex 索引摘要；摘要未给出收敛结论的具体形式、误差控制或模型比较数值，不能确认普遍加速幅度。
原文摘要
By mixing the target posterior distribution with a surrogate distribution, of which the normalizing constant is tractable, we propose a method for estimating the marginal likelihood using the Wang–Landau algorithm. We show that a faster convergence of the proposed method can be achieved via the momentum acceleration. Two implementation strategies are detailed: (i) facilitating global jumps between the posterior and surrogate distributions via the multiple-try Metropolis (MTM); (ii) constructing the surrogate via the variational approximation. When a surrogate is difficult to come by, we describe a new jumping mechanism for general reversible jump Markov chain Monte Carlo algorithms, which combines the MTM and a directional sampling algorithm. We illustrate the proposed methods on several statistical models, including the log-Gaussian Cox process, the Bayesian Lasso, the logistic regression, and the g-prior Bayesian variable selection. Supplementary materials for this article are available online.