Discretization of Continuous Markov Chains and Markov Chain Monte Carlo Convergence Assessment
连续状态空间马尔可夫链的离散化与 MCMC 收敛评估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：摘要讨论通用 MCMC 计算与收敛诊断，马尔可夫链本身不足以归入经济时间序列方向。
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…
连续状态空间马尔可夫链的离散化与 MCMC 收敛评估
- 研究问题
- 如何把连续状态空间的 MCMC 输出严格转化为有限状态马尔可夫链，并利用有限链的收敛性质设计可实施的收敛评估和停止规则？
- 方法与思路
- 作者在与小集相关的再生时刻抽取连续链，构造有限链，以散度准则评估平行链，并用逐点遍历定理实现仅需两条链的停止规则。
- 材料陈述的贡献
- 摘要称连续状态空间链可被严格离散化，提出从多条平行链到两条链的更高效实现，并以三个标准例子展示该收敛准则。
- 阅读关注点
- 应核对小集和再生时刻的构造、离散化保持的性质、散度准则与停止规则的条件，以及三个例子中的计算成本和诊断表现。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；严格离散化的条件和诊断误判风险未说明，不能据此保证任意 MCMC 输出已充分收敛。
原文摘要
We show that continuous state-space Markov chains can be rigorously discretized into finite Markov chains. The idea is to subsample the continuous chain at renewal times related to small sets that control the discretization. Once a finite Markov chain is derived from the Markov chain Monte Carlo output, general convergence properties on finite state spaces can be exploited for convergence assessment in several directions. Our choice is based on a divergence criterion derived from Kemeny and Snell, which is first evaluated on parallel chains with a stopping time and then implemented, more efficiently, on two parallel chains only, using Birkhoff's pointwise ergodic theorem for stopping rules. The performance of this criterion is illustrated on three standard examples.