Efficient shape-constrained inference for the autocovariance sequence from a reversible Markov chain
可逆马尔可夫链自协方差序列的高效形状约束推断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：摘要明确以马尔可夫链和 MCMC 方差估计为对象，未提供宏观时间序列应用依据。
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
可逆马尔可夫链自协方差序列的高效形状约束推断
- 研究问题
- 如何估计可逆马尔可夫链的自协方差序列，并利用该估计可靠地计算马尔可夫链中心极限定理中的渐近方差？
- 方法与思路
- 作者利用自协方差可表示为矩序列所蕴含的形状约束构造估计量，分析一致性，并与多种 MCMC 方差估计方法比较。
- 材料陈述的贡献
- 摘要称对几何遍历的可逆链，自协方差估计在平方可和距离下强一致，并产生强一致的渐近方差估计；实证研究展示其表现。
- 阅读关注点
- 应核对矩表示与形状约束、估计量的计算，以及可逆性、几何遍历性和其他所需条件，另查比较实验的具体设置。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；完整条件及数值比较未提供，不能将一致性推广到任意链，也不能声称普遍优于比较方法。
原文摘要
In this paper, we study the problem of estimating the autocovariance sequence resulting from a reversible Markov chain. A motivating application for studying this problem is the estimation of the asymptotic variance in central limit theorems for Markov chains. We propose a novel shape-constrained estimator of the autocovariance sequence, which is based on the key observation that the representability of the autocovariance sequence as a moment sequence imposes certain shape constraints. We examine the theoretical properties of the proposed estimator and provide strong consistency guarantees for our estimator. In particular, for geometrically ergodic reversible Markov chains, we show that our estimator is strongly consistent for the true autocovariance sequence with respect to an ℓ2 distance, and that our estimator leads to strongly consistent estimates of the asymptotic variance. Finally, we perform empirical studies to illustrate the theoretical properties of the proposed estimator as well as to demonstrate the effectiveness of our estimator in comparison with other current state-of-the-art methods for Markov chain Monte Carlo variance estimation, including batch means, spectral variance estimators, and the initial convex sequence estimator.