Dinamik Metropolis-Hastings Algoritması
Dynamic Metropolis-Hastings Algorithm for Time-Varying Models · Ayrıca şöyle bilinir: Dynamic MH, MH for state-space models, Metropolis-Hastings in dynamic models, time-varying parameter MH
Dinamik Metropolis-Hastings (Dinamik MH) algoritması, Metropolis-Hastings MCMC örnekleyicisini Bayesçi durum-uzay ve zamanla değişen parametre modellerine uygular. Her zaman adımında, gizli durumlar veya gelişen parametreler öneri-ve-kabul hamleleriyle güncellenir, bu da tekil filtrelenmiş tahminler yerine yörüngeler üzerinde tam sonsal dağılımlar verir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Durum-uzay veya zamanla değişen parametre modeliniz doğrusal olmayan veya Gauss-olmayan olduğunda, Kalman filtresini veya uzantılarını yetersiz kıldığında Dinamik MH'yi kullanın. Gizli yörüngeler üzerinde tam sonsal çıkarım gerektiren orta uzunlukta zaman serileri için uygundur. Çok uzun seriler veya gerçek zamanlı filtreleme için parçacık MCMC (PMCMC) veya parçacık filtrelerini tercih edin. Doğrusal-Gauss modeli geçerliyse — Kalman düzelticisi kesin ve çok daha ucuzdur — Dinamik MH'yi kullanmayın. Yalnızca nokta tahminleri gerekiyorsa da kaçının, çünkü tam MCMC'nin hesaplama maliyeti o zaman gereksizdir.
Güçlü yönler & sınırlılıklar
- Analitik filtrelerin mevcut olmadığı doğrusal olmayan, Gauss-olmayan durum-uzay modellerini işler.
- Yalnızca filtrelenmiş nokta tahminlerini değil, gizli yörüngeler üzerindeki tam ortak sonsal dağılımı üretir.
- Esnek: öneri model yapısına (rastgele yürüyüş, Laplace yaklaşımı, önsel) göre uyarlanabilir.
- Sabit parametreler için Gibbs adımlarıyla birleştirilebilir, bu da onu karmaşık hiyerarşik dinamik modellerde bir yapı taşı haline getirir.
- Hafif düzenlilik koşulları altında yakınsama üzerinde iyi kurulmuş teorik garantiler.
- Uzun zaman serilerinde tekil-alan MH güncellemeleri, durumlar arasındaki yüksek seri korelasyon nedeniyle yavaş karışır.
- Öneri ayarlaması önemsiz değildir; kötü ölçeklenmiş bir öneri çok düşük kabul oranlarına veya çok küçük hareketlerle neredeyse kesin kabul edilmeye yol açar.
- Doğrusal-Gauss modelleri için Kalman düzelticisine kıyasla hesaplama açısından pahalıdır.
- Tüm zaman adımlarını aynı anda blok önerileri verimli bir şekilde tasarlamak zor olabilir.
SSS
Dinamik MH, parçacık filtreden nasıl farklıdır?
Parçacık filtresi, bir parçacık kümesini zaman içinde ağırlıklı olarak ilerleten sıralı (çevrimiçi) bir algoritmadır ve filtrelenmiş dağılımlar p(x_t | y_{1:t}) üretir. Dinamik MH, tam düzeltme sonsal dağılımı p(x_{1:T} | y_{1:T}) hedefleyen çevrimdışı bir MCMC örnekleyicisidir. Yörüngeler üzerinde tam sonsal çıkarım için Dinamik MH veya parçacık MCMC tercih edilir; gerçek zamanlı filtreleme için parçacık filtreleri kullanılır.
Neden tekil-alan MH dinamik modellerde bu kadar yavaş karışır?
Bitişik zaman noktalarındaki gizli durumlar, geçiş yoğunluğu aracılığıyla güçlü bir şekilde ilişkilidir. Tek seferde bir durumu güncellemek komşu durumları sabit bırakır, bu nedenle bir durumu iyileştiren çoğu öneri komşularına uyumu bozar, bu da yüksek reddetme oranlarına ve yavaş keşfe yol açar. Blok önerileri veya parçacık MCMC, tüm durumları ortaklaşa hareket ettirerek bunu aşar.
MH önerisini nasıl ayarlamalıyım?
Yaklaşık %20-40 hedef kabul oranı, orta boyutlarda Gauss rastgele yürüyüş önerileri için yaygın bir sezgiseldir. Öneri kovaryansını otomatik olarak ayarlamak için bir ısınma aşaması sırasında uyarlanabilir MCMC kullanın. Durum-uzay modelleri için, yerel düzeltme yoğunluğuna bir Laplace yaklaşımı genellikle rastgele yürüyüşten çok daha iyi bir öneridir.
Parçacık MCMC ile ilişkisi nedir?
Parçacık MCMC (Andrieu et al., 2010), tüm gizli yörüngeyi bir kerede önermek için bir MH adımı içine bir parçacık filtresini yapı taşı olarak kullanır. Bu temelde, sofistike, yüksek boyutlu bir öneriye sahip Dinamik MH'dir ve uzun zaman serileri için karışımı büyük ölçüde iyileştirir.
Dinamik MH, gizli durumlar yerine zamanla değişen parametreleri işleyebilir mi?
Evet. Zamanla değişen parametre modelleri (örneğin, zaman içinde sürüklenen regresyon katsayıları), durumun parametre vektörü olduğu durum-uzay modellerinin özel bir durumudur. Dinamik MH, evrimlerini yöneten herhangi bir üstparametre ile birlikte parametrelerin tam yörüngesini örnekler.
Kaynaklar
- Hastings, W. K. (1970). Monte Carlo sampling methods using Markov chains and their applications. Biometrika, 57(1), 97–109. DOI: 10.1093/biomet/57.1.97 ↗
- Carlin, B. P., Polson, N. G., & Stoffer, D. S. (1992). A Monte Carlo approach to nonnormal and nonlinear state-space modeling. Journal of the American Statistical Association, 87(418), 493–500. DOI: 10.1080/01621459.1992.10475231 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Dynamic Metropolis-Hastings Algorithm for Time-Varying Models. ScholarGate. https://scholargate.app/tr/bayesian/dynamic-metropolis-hastings-algorithm
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Dinamik Bayesci ÇıkarımBayesçi↔ karşılaştır
- Gibbs ÖrneklemesiBayesçi↔ karşılaştır
- Kalman FiltresiBayesçi↔ karşılaştır
- Metropolis-Hastings AlgoritmasıBayesçi↔ karşılaştır
- Parçacık Filtresi (Sıralı Monte Carlo)Bayesçi↔ karşılaştır