Markov Chains for Exploring Posterior Distributions
探索后验分布的马尔可夫链方法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：摘要是通用后验计算与马尔可夫链理论，未对应所列特定计量应用方向。
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…
关注这篇论文的作者
探索后验分布的马尔可夫链方法
- 研究问题
- 如何构造用于后验抽样的马尔可夫链，并借助收敛理论和模拟设计，提高后验估计的可靠性及计算效率？
- 方法与思路
- 作者概述 Gibbs、Metropolis 及混合算法，将一般状态空间马尔可夫链理论与方差缩减、样本量和抽样分配联系起来。
- 材料陈述的贡献
- 摘要称链的收敛率、大数定律和中心极限定理可指导算法构造，标准模拟方法也可支持方差缩减及抽样资源配置。
- 阅读关注点
- 应核对各类链的收敛及中心极限定理条件、混合策略的构造方式，以及方差估计和样本量建议如何用于实际后验计算。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；未提供具体定理条件或算法比较结果，不能将概述性讨论视为某个新算法的优势证明。
原文摘要
Several Markov chain methods are available for sampling from a posterior distribution. Two important examples are the Gibbs sampler and the Metropolis algorithm. In addition, several strategies are available for constructing hybrid algorithms. This paper outlines some of the basic methods and strategies and discusses some related theoretical and practical issues. On the theoretical side, results from the theory of general state space Markov chains can be used to obtain convergence rates, laws of large numbers and central limit theorems for estimates obtained from Markov chain methods. These theoretical results can be used to guide the construction of more efficient algorithms. For the practical use of Markov chain methods, standard simulation methodology provides several variance reduction techniques and also give guidance on the choice of sample size and allocation.