Model Karşılaştırması için Gibbs Örneklemesi
Gibbs Sampling for Bayesian Model Comparison · Ayrıca şöyle bilinir: Gibbs-based model selection, MCMC model comparison via Gibbs, Bayesian model comparison with Gibbs sampling, Gibbs sampler model selection
Model karşılaştırması için Gibbs örneklemesi, rakip modellerin ve parametrelerinin uzayından eş zamanlı olarak örnekleme yapan Bayesçi bir MCMC yaklaşımıdır. Gibbs örnekleyicisine ayrık bir model-indeks değişkeni ekleyerek, her model için ayrı çalıştırmalar gerektirmeden elde edilen Markov zincirinden ardıl model olasılıkları ve Bayes faktörleri tahmin edilir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Açıkça belirtilmiş orta sayıda Bayesçi modeliniz olduğunda ve sadece kazanan bir modelden ziyade ortak ardıl model olasılıkları istediğinizde model karşılaştırması için Gibbs örneklemesi kullanın. Özellikle rakip modeller parametreleri paylaşıyorsa veya Gibbs güncellemelerine uygun doğal bir koşullu yapıya sahipse uygundur. Modellerin sabit, ayrı parametre uzaylarına sahip olduğu durumlarda ters-atlama MCMC'ye tercih edin. Modeller çok sayıda (düzinelerce veya daha fazla) olduğunda kullanmayın, çünkü sözde-öncelik kalibrasyonu külfetli hale gelir; ve olabilirlik Gibbs tam koşullu dağılımları için çözülebilir değilse kaçının — bu durumda Metropolis-Hastings veya SMC daha pratiktir.
Güçlü yönler & sınırlılıklar
- Tek bir MCMC çalıştırmasında tüm rakip modeller için ardıl olasılıklarını tahmin eder.
- Her model içindeki parametre belirsizliğini hesaba katan tutarlı Bayesçi model olasılıkları üretir.
- Doğal bloklamaya sahip modeller için verimli olan Gibbs örneklemesinin koşullu yapısından yararlanır.
- Örneklenen modeller üzerinden ağırlıklandırılarak Bayesçi model ortalamasına doğal olarak genişler.
- Potansiyel olarak yüksek boyutlu marjinal olabilirliklerin sayısal entegrasyonundan kaçınır.
- İnaktif modeller için sözde-önceliklerin dikkatli kalibrasyonunu gerektirir; kötü sözde-öncelikler zincirin nadiren model değiştirmesine neden olur.
- Rakip model sayısı büyük olduğunda kötü ölçeklenir, çünkü tüm parametre vektörleri korunmalıdır.
- İyi sözde-öncelikleri uydurmak için genellikle model başına pilot çalıştırmalar gereklidir, bu da hesaplama ek yükünü artırır.
- Tüm model parametreleri için tam koşullu dağılımların kapalı formda (veya örneklebilir) olması gerekir.
SSS
Sözde-öncelik nedir ve neden önemlidir?
Zincir model k'de olduğunda, diğer tüm modeller j'nin parametreleri hala güncellenir — ancak gerçek bir ardıl yerine bir sözde-öncelikten. Bu, durum uzayını tam olarak dolu tutar ve zincirin modelleri değiştirmesini sağlar. Çok yaygın bir sözde-öncelik, diğer modelin parametreleri zincir yeniden ziyaret edildiğinde nadiren yüksek bir olabilirlik bölgesinde olacağından, nadiren model değiştirmeye neden olur; iyi kalibre edilmiş bir sözde-öncelik (her inaktif model için marjinal ardıla yakın) karışımı önemli ölçüde iyileştirir.
Bu, ters-atlama MCMC'den nasıl farklıdır?
Ters-atlama MCMC (RJMCMC), model uzayları arasında atlamalar yaparak ve Jakobiyen düzeltmeleri kullanarak farklı boyutlardaki modelleri işler. Carlin-Chib Gibbs örneklemesi, tüm parametre vektörlerini her zaman durumda tutar, bu da sabit ve orta boyutlu modeller için uygulaması daha basittir ancak birçok parametreye sahip çok sayıda model için israftır.
Gerçekçi olarak kaç rakip modeli karşılaştırabilirim?
Genellikle bu yaklaşımla iki ila yaklaşık beş veya altı model pratiktir. Bunun ötesinde, sözde-öncelik belirleme maliyetli hale gelir (model başına bir pilot çalıştırma gerektirir) ve zincir her modelde daha az zaman harcar, bu da olasılık tahminlerinde Monte Carlo hatasını artırır. Büyük model uzayları için stokastik arama veya SMC tabanlı yaklaşımlar tercih edilir.
Bayesçi model ortalaması için bunu kullanabilir miyim?
Evet. Zincir çalıştıktan sonra, herhangi bir ardıl niceliği — bir tahmin, bir etki büyüklüğü — ziyaret sıklığı ile ağırlıklandırılmış örneklenen modeller üzerinden ortalaması alınabilir. Bu, Bayesçi model ortalamasının doğal bir uygulamasıdır, hem parametre hem de model belirsizliğini nihai tahmine otomatik olarak yayar.
Zincirin modelleri düzgün bir şekilde değiştirdiğini nasıl kontrol ederim?
Model-indeks iz grafiğini iterasyonlar boyunca çizin. İyi karışım, modeller arasında sık, kabaca rastgele bir değişimi gösterir. Zincir binlerce iterasyon boyunca bir modelde kalırsa, sözde-öncelikler kötü kalibre edilmiştir. Ayrıca, karışım teşhisi olarak model-indeks dizisi için etkin örneklem boyutunu hesaplayabilirsiniz.
Kaynaklar
- Carlin, B. P. & Chib, S. (1995). Bayesian model choice via Markov chain Monte Carlo methods. Journal of the Royal Statistical Society, Series B, 57(3), 473-484. DOI: 10.1111/j.2517-6161.1995.tb02042.x ↗
- Gelman, A., Carlin, J. B., Stern, H. S., Dunson, D. B., Vehtari, A. & Rubin, D. B. (2013). Bayesian Data Analysis (3rd ed.). CRC Press. ISBN: 978-1439840955
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Gibbs Sampling for Bayesian Model Comparison. ScholarGate. https://scholargate.app/tr/bayesian/gibbs-sampling-for-model-comparison
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Gibbs ÖrneklemesiBayesçi↔ karşılaştır
- Model Karşılaştırması için Metropolis-HastingsBayesçi↔ karşılaştır