Optimum Monte-Carlo sampling using Markov chains
利用马尔可夫链的最优蒙特卡洛抽样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：摘要研究通用马尔可夫链蒙特卡洛效率，未明确对应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
利用马尔可夫链的最优蒙特卡洛抽样
- 研究问题
- 在给定提议转移矩阵时，Hastings 构造中的两种对称函数选择如何影响抽样精度，哪一种在所讨论的意义下最优？
- 方法与思路
- 作者在目标分布为平稳分布的马尔可夫链构造中，固定提议转移矩阵，比较 Hastings 建议的两种简单对称函数选择。
- 材料陈述的贡献
- 摘要称，其中一种选择具有最优性；对另一种选择，给出一些提议矩阵，使所构造链的抽样渐近精度低于独立抽样。
- 阅读关注点
- 应核对最优性的评价准则与比较范围、链所需的条件，以及精度低于独立抽样的结果究竟适用于哪些提议矩阵。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；不能将固定提议矩阵下的最优性扩展为所有抽样算法的优越性或推断刊本变化。
原文摘要
The sampling method proposed by Metropolis et al. (1953) requires the simulation of a Markov chain with a specified π as its stationary distribution. Hastings (1970) outlined a general procedure for constructing and simulating such a Markov chain. The matrix P of transition probabilities is constructed using a defined symmetric function sij and an arbitrary transition matrix Q. Here, for a given Q, the relative merits of the two simple choices for sij suggested by Hastings (1970) are discussed. The optimum choice for sij is shown to be one of these. For the other choice, those Q are given which are known to make the sampling method based on P asymptotically less precise than independent sampling.