On some properties of Markov chain Monte Carlo simulation methods based on the particle filter
基于粒子滤波的 MCMC 模拟方法的若干性质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：摘要讨论通用粒子滤波与 MCMC 计算理论，未明确对应所列宏观、微观或金融应用方向。
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…
基于粒子滤波的 MCMC 模拟方法的若干性质
- 研究问题
- 当 MCMC 使用有限粒子数的似然估计替代真实似然时，如何选择粒子数并设计滤波器，以兼顾后验模拟正确性与计算效率？
- 方法与思路
- 作者解析推导粒子数选择准则，研究完全适配辅助粒子滤波器，构造新的似然估计量，并证明其无偏性及更一般的适用范围。
- 材料陈述的贡献
- 摘要称，研究给出实用的最优粒子数指南，证明相关无偏性，并指出辅助滤波可显著节省计算，结果也适用于其他无偏似然 MCMC。
- 阅读关注点
- 应核对粒子数最优性的目标与条件、完全适配的可实现性，以及似然估计无偏性如何进入 MCMC 正确性和效率分析。
- 阅读边界
- 仅据所给出版社摘要，不能判断计算节省幅度或最优规则的普适性；摘要开头的后验收敛结论属于所引前人结果，不能归为本文首创。
原文摘要
Andrieu et al. (2010) prove that Markov chain Monte Carlo samplers still converge to the correct posterior distribution of the model parameters when the likelihood estimated by the particle filter (with a finite number of particles) is used instead of the likelihood. A critical issue for performance is the choice of the number of particles. We add the following contributions. First, we provide analytically derived, practical guidelines on the optimal number of particles to use. Second, we show that a fully adapted auxiliary particle filter is unbiased and can drastically decrease computing time compared to a standard particle filter. Third, we introduce a new estimator of the likelihood based on the output of the auxiliary particle filter and use the framework of Del Moral (2004) to provide a direct proof of the unbiasedness of the estimator. Fourth, we show that the results in the article apply more generally to Markov chain Monte Carlo sampling schemes with the likelihood estimated in an unbiased manner.