Partially Collapsed Gibbs Samplers
部分折叠 Gibbs 采样器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 Gibbs 采样策略，未说明所列经济计量领域的具体模型或应用，故保留空分类。
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
部分折叠 Gibbs 采样器
- 研究问题
- 复杂高维模型中的 Gibbs 采样可能收敛缓慢；如何通过调整条件分布和更新步骤改善收敛，同时保留目标平稳分布？
- 方法与思路
- 作者利用边缘化、排列与删减三种工具，将 Gibbs 采样器转换为部分折叠形式，并使用函数上不相容的条件分布。
- 材料陈述的贡献
- 摘要称，这些转换可构造具有已知平稳分布且收敛更快的采样器，为通常回避的不相容条件分布提供使用策略。
- 阅读关注点
- 应核对三种转换的允许顺序、删减更新的条件，以及如何证明平稳分布正确并评价不同模型中的收敛改善。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；具体转换规则与收敛比较条件未提供，不能任意组合不相容条件分布。
原文摘要
Ever-increasing computational power, along with ever–more sophisticated statistical computing techniques, is making it possible to fit ever–more complex statistical models. Among the more computationally intensive methods, the Gibbs sampler is popular because of its simplicity and power to effectively generate samples from a high-dimensional probability distribution. Despite its simple implementation and description, however, the Gibbs sampler is criticized for its sometimes slow convergence, especially when it is used to fit highly structured complex models. Here we present partially collapsed Gibbs sampling strategies that improve the convergence by capitalizing on a set of functionally incompatible conditional distributions. Such incompatibility generally is avoided in the construction of a Gibbs sampler, because the resulting convergence properties are not well understood. We introduce three basic tools (marginalization, permutation, and trimming) that allow us to transform a Gibbs sampler into a partially collapsed Gibbs sampler with known stationary distribution and faster convergence.