Markov Chain Monte Carlo (MCMC)
Markov Chain Monte Carlo · Ayrıca şöyle bilinir: markov chain monte carlo, MCMC sampling, MCMC (Markov Zinciri Monte Carlo)
Markov Chain Monte Carlo (MCMC), olasılıksal çıkarımda ortaya çıkan ve en yaygın olarak arka plan olasılık dağılımları olan karmaşık olasılık dağılımlarından örnekleme yapmak için kullanılan bir hesaplamalı algoritma ailesidir. Gerçekçi modeller için nadiren mümkün olan arka planları analitik olarak hesaplamak yerine, MCMC hedef arka planı olan bir Markov zinciri oluşturur ve ondan bağımlı örneklemler çeker, bu da hemen hemen her model için tam olasılıksal çıkarım yapmayı mümkün kılar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+24 tane daha
Ne zaman kullanılır
Arka plan kapalı bir forma sahip olmadığında - yani, model konjügat olmadığında veya gerçekten karmaşık olduğunda (hiyerarşik yapı, doğrusal olmayan ilişkiler, ağır kuyruklu dağılımlar) - Bayes çıkarımı için standart araçtır. Zincirlerin yakınsayacakları bir sinyale sahip olmaları için yaklaşık 20 gözlemden oluşan minimum bir örneğe ihtiyaç vardır; bunun altında, arka plan öncelik tarafından domine edilir ve örnekler veriler hakkında hiçbir bilgi taşımaz. Sürekli, ikili ve kategorik sonuçlara kesitsel ve boylamsal tasarımlar boyunca uygulanır.
Güçlü yönler & sınırlılıklar
- Modelin karmaşıklığı veya boyutluluğundan bağımsız olarak hemen hemen her arka plandan örnekler.
- Sadece bir nokta tahmini değil, tam arka plan dağılımını sağlar, bu nedenle belirsizlik açıkça ölçülür.
- Verilerin veya sonucun normalliğini gerektirmez - hiyerarşik, doğrusal olmayan ve standart olmayan modeller için uygulanabilir.
- Arka plan örnekleri, ek bir yaklaştırma olmaksızın herhangi bir türetilmiş nicelik (farklar, oranlar, tahminler) için doğrudan kullanılabilir.
- Bir model ve öncelikler belirtilmesini gerektirir; yanlış belirtilmiş öncelikler, özellikle örneklem küçük olduğunda, arka planı domine edebilir.
- Yakınsama garanti edilmez ve R-hat, ESS ve iz grafiği incelemesi yoluyla açıkça teşhis edilmelidir.
- Sıkılaştırıcı alternatiflere kıyasla büyük veri kümeleri veya yüksek boyutlu parametre uzayları için hesaplama açısından yoğundur.
- 20 gözlemden az olduğunda, zincirler yakınsamayabilir ve arka plan yalnızca verilerden ziyade önceliği yansıtır.
SSS
MCMC zincirlerinin ne zaman yakınsadığını nasıl anlarım?
Birincil tanılayıcı R-hat'tır (potansiyel ölçek azaltma faktörü): yaklaşık 1.1'in altındaki değerler - ve ideal olarak 1.01'in altındaki değerler - birden çok zincirin karıştığını ve aynı dağılımdan örnekleme yaptığını gösterir. Etkili örneklem boyutunu (ESS) da kontrol etmelisiniz; bu, kararlı tahminler vermek için yeterince büyük olmalıdır (genellikle parametre başına en az birkaç yüz) ve zincirlerin eğilimler olmadan veya takılmadan serbestçe karıştığını doğrulamak için iz grafiklerini görsel olarak incelemelisiniz.
Metropolis-Hastings ile Hamiltonian Monte Carlo (HMC/NUTS) arasındaki fark nedir?
Metropolis-Hastings, yeni parametre değerlerini basit bir öneri dağılımından önerir ve olasılık-öncelik oranına göre kabul eder veya reddeder; geneldir ancak yüksek boyutlu arka planları keşfetmekte yavaş olabilir. HMC, önerileri yüksek olasılıklı bölgelere doğru yönlendiren fiziksel dinamikleri simüle etmek için log-arka plandan gradyan bilgisini kullanır, bu da yüksek oranlarda kabul edilen büyük, uzak adımlar atar. NUTS, sıçrama adımı sayısını manuel olarak ayarlama ihtiyacını ortadan kaldıran HMC'nin kendi kendini ayarlayan bir versiyonudur.
Kaç iterasyona ihtiyacım var?
Evrensel bir cevap yoktur, ancak yaygın bir başlangıç noktası, zincir başına 2.000 veya daha fazla örnekleme iterasyonu ve en az dört zincir üzerinde çalıştırılan 1.000 iterasyonluk bir ısınma (ayarlama) aşamasıdır. Önemli olan ham sayı değil, ESS'nin yeterli olup olmadığı ve R-hat'ın 1.1'in altında olup olmadığıdır. Karmaşık veya yüksek boyutlu modeller genellikle daha fazla iterasyon gerektirir.
Verilerim normal dağılmadığında MCMC kullanılabilir mi?
Evet - MCMC'nin temel avantajlarından biri, verilerin veya sonucun normal dağılmasını gerektirmemesidir. Veri türünüze uyan olasılığı belirtirsiniz (sayımlar için Poisson, ikili sonuçlar için Bernoulli, ağır kuyruklar için Student-t vb.) ve MCMC, şeklinden bağımsız olarak ortaya çıkan arka plandan örnekler çeker.
Kaynaklar
- 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
- Brooks, S., Gelman, A., Jones, G. & Meng, X.-L. (Eds.). (2011). Handbook of Markov Chain Monte Carlo. CRC Press. ISBN: 978-1420079418
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Markov Chain Monte Carlo. ScholarGate. https://scholargate.app/tr/bayesian/mcmc
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
Yan yana karşılaştır →