Geometric Ergodicity of van Dyk and Meng's Algorithm for the Multivariate Student's t Model
多元 Student t 模型中 van Dyk–Meng 算法的几何遍历性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：摘要聚焦一般贝叶斯计算与马尔可夫链收敛，没有指向所列计量应用细分方向。
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
多元 Student t 模型中 van Dyk–Meng 算法的几何遍历性
- 研究问题
- 在多元位置尺度 t 模型及标准无信息先验下，基于非正再生马尔可夫链的抽样算法能否获得严格的收敛保证？
- 方法与思路
- 作者分析算法中相关的子马尔可夫链，建立漂移与小集条件，并对多组维数、自由度和样本量给出几何遍历性结果。
- 材料陈述的贡献
- 摘要称，这是此类算法的首次一般严格分析；所得条件可用于总变差距离上界，并支持蒙特卡洛标准误的理论分析。
- 阅读关注点
- 应核对允许的维数、自由度及样本量组合，后验存在条件，以及中心极限定理所需的函数条件和距离上界计算。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；摘要未列参数组合和具体条件，亦不能据经验描述确认算法普遍更快。
原文摘要
Let π denote the posterior distribution that results when a random sample of size n from a d-dimensional location-scale Student's t distribution (with ν degrees of freedom) is combined with the standard noninformative prior. van Dyk and Meng developed an efficient Markov chain Monte Carlo (MCMC) algorithm for sampling from π and provided considerable empirical evidence to suggest that their algorithm converges to stationarity much faster than the standard data augmentation algorithm. In addition to its practical importance, this algorithm is interesting from a theoretical standpoint because it is based upon a Markov chain that is not positive recurrent. In this article, we formally analyze the relevant sub-Markov chain underlying van Dyk and Meng's algorithm. In particular, we establish drift and minorization conditions that show that, for many (d, ν, n) triples, the sub-Markov chain is geometrically ergodic. This is the first general, rigorous analysis of an MCMC algorithm based upon a nonpositive recurrent Markov chain. Moreover, our results are important from a practical standpoint because (1) geometric ergodicity guarantees the existence of central limit theorems that can be used to construct Monte Carlo standard errors and (2) the drift and minorization conditions themselves allow for the calculation of exact upper bounds on the total variation distance to stationarity. The results are illustrated using a simple numerical example.