Rao-Blackwellisation of sampling schemes
抽样方案的 Rao–Blackwell 化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 Monte Carlo 估计量的方差改进，未指定所列经济计量细分方向。
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
抽样方案的 Rao–Blackwell 化
- 研究问题
- 接受—拒绝与 Metropolis 模拟完成后，能否对算法中的额外随机性进行积分，从而改善标准 Monte Carlo 估计量的方差？
- 方法与思路
- 作者对接受决策涉及的均匀随机变量进行 Rao–Blackwell 化，以后处理方式构造估计量，并比较不同 Metropolis 与重要性抽样方案。
- 材料陈述的贡献
- 摘要称给出两类算法的 Rao–Blackwell 化实现，通过例子展示方差改善，并与普通及 Rao–Blackwell 化重要性抽样比较。
- 阅读关注点
- 应核对条件期望的计算对象、后处理所需保留的信息、相关样本下的方差指标，以及改善幅度与额外计算成本的关系。
- 阅读边界
- 仅据版本未注明的索引摘要；未提供比较数值与成本分析，估计量方差改善不能直接视为每单位时间效率均提高。
原文摘要
This paper proposes a post-simulation improvement for two common Monte Carlo methods, the Accept-Reject and Metropolis algorithms. The improvement is based on a Rao-Blackwellisation method that integrates over the uniform random variables involved in the algorithms, and thus post-processes the standard estimators. We show how the Rao-Blackwellised versions of these algorithms can be implemented and, through examples, illustrate the improvement in variance brought by these new procedures. We also compare the improved version of the Metropolis algorithm with ordinary and Rao-Blackwellised importance sampling procedures for independent and general Metropolis set-ups.