Miscellanea. On quantile estimation and Markov chain Monte Carlo convergence
杂论：分位数估计与马尔可夫链蒙特卡洛收敛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：摘要中的分位数用于MCMC计算诊断，而非条件分位数回归或分布效应研究，且未提供其他经济计量应用，故不指定领域。
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
杂论：分位数估计与马尔可夫链蒙特卡洛收敛
- 研究问题
- 针对特定分位数设计的MCMC收敛诊断，能否代表原始马尔可夫链的整体收敛，何时可能低估所需预热长度？
- 方法与思路
- 作者考察Raftery与Lewis的分位数诊断方法，通过多个例子比较特定分位数的收敛速度与原链的整体收敛速度。
- 材料陈述的贡献
- 摘要称该方法用于非分位数目标时可能误导并严重低估预热长度；对独立采样器，还给出两种收敛速度相同的特定情形。
- 阅读关注点
- 应核对分位数诊断与原链收敛所用的度量、反例设定，以及独立采样器中状态空间重排和极端分位数的作用。
- 阅读边界
- 材料为稿件版本未注明的OpenAlex索引摘要；不能据此给出通用预热长度，也不能把特定采样器的结论推广至所有MCMC方法。
原文摘要
In this paper we examine the method of Raftery & Lewis (1992) for estimating the convergence of Markov chain Monte Carlo, samplers when functionals of interest are in the form of parameter quantiles. Although popular, the method is commonly mis-applied to problems where quantiles are not of primary interest. We show how the method can be misleading in this case, and that it can seriously underestimate the true length of the burn-in. We provide a number of examples, comparing the convergence rate of the chain in respect of a particular quantile with that of the true convergence rate of the original chain. In particular we show how, in the case of the independence sampler, the two convergence rates are identical if the quantile of interest is chosen to be at an extreme of an appropriately reordered state space.