Consistency of Markov chain quasi-Monte Carlo on continuous state spaces
连续状态空间中马尔可夫链拟蒙特卡洛的一致性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 MCMC 与拟蒙特卡洛的一致性，未给出所列计量经济学领域细分的直接应用或理论对象。
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
连续状态空间中马尔可夫链拟蒙特卡洛的一致性
- 研究问题
- 当 MCMC 的驱动输入由独立均匀随机数改为完全均匀分布序列时，连续状态空间中的均值估计是否仍具有一致性？
- 方法与思路
- 作者将此前针对离散平稳分布的理论扩展到部分连续平稳分布 MCMC 算法，研究平衡驱动序列替代随机输入的有效性。
- 材料陈述的贡献
- 摘要称一致性结果扩展到了部分连续状态算法，并附带论证通常以伪随机数替代随机数的方法也具有一致性。
- 阅读关注点
- 应核对完全均匀分布序列的定义、适用算法与目标函数条件，并区分一致性保证和摘要引用的既有性能改善报告。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；结果仅覆盖部分算法。所述显著改善来自既有研究，不能当作本文的数值结论。
原文摘要
The random numbers driving Markov chain Monte Carlo (MCMC) simulation are usually modeled as independent U(0, 1) random variables. Tribble [Markov chain Monte Carlo algorithms using completely uniformly distributed driving sequences (2007) Stanford Univ.] reports substantial improvements when those random numbers are replaced by carefully balanced inputs from completely uniformly distributed sequences. The previous theoretical justification for using anything other than i.i.d. U(0, 1) points shows consistency for estimated means, but only applies for discrete stationary distributions. We extend those results to some MCMC algorithms for continuous stationary distributions. The main motivation is the search for quasi-Monte Carlo versions of MCMC. As a side benefit, the results also establish consistency for the usual method of using pseudo-random numbers in place of random ones.