Model Karşılaştırması için Metropolis-Hastings
Metropolis-Hastings Algorithm for Bayesian Model Comparison · Ayrıca şöyle bilinir: MH model comparison, Metropolis-Hastings Bayes factor estimation, reversible-jump Metropolis-Hastings, MH model selection
Model karşılaştırması için Metropolis-Hastings, hem parametre hem de model uzayını eş zamanlı olarak keşfetmek üzere Metropolis-Hastings MCMC algoritmasını kullanır, rakip modeller için sonsal olasılıklar üretir ve kapalı formda marjinal olabilirliklere gerek kalmadan Bayes faktörü tahminine olanak tanır. Yeşil (1995) tarafından geliştirilen standart genişletme olan tersinir sıçrama MCMC (reversible-jump MCMC), tek bir örnekleyici içinde farklı boyutlardaki modelleri ele alır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Potansiyel olarak farklı boyutlara sahip modelleri tek bir MCMC çalıştırmasında karşılaştırmanız gerektiğinde, marjinal olabilirlik analitik olarak hesaplanamadığında veya sonsal model olasılıkları ve model-ortalamalı parametre tahminlerini birlikte istediğinizde model karşılaştırması için Metropolis-Hastings kullanın. Özellikle değişken seçimi (bilinmeyen bir öngörücü alt kümesiyle regresyon) ve karışım sırası seçimi için uygundur. Modeller iç içe geçmişse ve bir olasılık-oran testi yeterliyse, model sayısı o kadar fazlaysa ki hiçbir örnekleyici model uzayını yeterince keşfedemezse veya marjinal olabilirliklerin kapalı formda hesaplanabildiği durumlarda (örneğin, Bayes faktörlerinin doğrudan mevcut olduğu eşlenik modeller) kullanmayın.
Güçlü yönler & sınırlılıklar
- Tek bir MCMC çalıştırmasında hem parametre hem de model belirsizliğini keşfeder, tutarlı Bayesci çıkarım sağlar.
- Tersinir sıçrama hareketleri aracılığıyla farklı boyutlardaki modelleri ele alır, ortak bir parametrizasyon gerektirmez.
- Doğrudan sonsal model olasılıkları üretir, Bayes faktörleri ve model-ortalamalı tahminlere olanak tanır.
- İyi anlaşılmış teorik garantiler: zincir, modeller ve parametreler üzerindeki doğru ortak sonsal olasılığa yakınsar.
- Kapalı formda marjinal olabilirliklere sahip olmayan hemen hemen her olasılık ve önsel olasılığa uygulanabilir.
- Etkili modeller arası öneri dağılımları tasarlamak önemsiz değildir ve probleme bağlıdır.
- Kötü modeller arası öneriler, çok düşük modeller arası kabul oranlarına ve tek bir modelde takılıp kalan zincirlere yol açar.
- Hesaplama maliyeti, model sayısı ve karmaşıklıkları ile artar, bu da kapsamlı model aramasını imkansız hale getirir.
- Sonsal model olasılıkları, önsel belirlemeye duyarlıdır, özellikle iç içe geçmemiş veya büyük modeller için.
SSS
Tersinir sıçrama MCMC nedir ve neden gereklidir?
Sabit boyutlu bir parametre uzayında standart Metropolis-Hastings hareketleri. Farklı sayıda parametreye sahip modelleri karşılaştırırken, ortak öneri haritasının tersinir olmasını sağlamak için bir boyut eşleştirme adımı eklenmelidir. Green'in 1995 tarihli tersinir sıçrama yapısı, boyutları eşitlemek için yardımcı rastgele değişkenler ekler ve ayrıntılı dengeyi korumak için kabul oranına bir Jakobiyen düzeltmesi içerir.
Bu yaklaşım, Bayes faktörlerini doğrudan hesaplamayla nasıl karşılaştırılır?
Doğrudan Bayes faktörü hesaplaması, her modelin marjinal olabilirliklerini gerektirir; bu da genellikle kapalı bir forma sahip değildir ve kendi sayısal entegrasyonunu (köprü örnekleme, termodinamik entegrasyon vb.) gerektirir. Tersinir sıçrama MCMC, tek bir çalıştırmanın yan ürünü olarak sonsal model olasılıklarını - ve dolayısıyla Bayes faktörlerini - tahmin eder, ancak doğruluğu zincirin modeller arasında ne kadar iyi karıştığına bağlıdır.
Zincirin modeller arasında iyi karıştığını nasıl anlarım?
Modeller arası kabul oranını izleyin (genellikle modeller arası hareketler için %20-40 hedeflenir), tüm modellerin tekrar tekrar ziyaret edildiğini kontrol etmek için model-gösterge izleme grafiğini inceleyin ve model göstergesi için etkili örneklem boyutunu hesaplayın. Zincir baskın bir modelden nadiren ayrılırsa, modeller arası önerilerin yeniden ayarlanması gerekir.
Bunu birden çok modeli eş zamanlı olarak karşılaştırmak için kullanabilir miyim?
Prensipte evet, ancak pratikte örnekleyici, aday model sayısı üstel olarak büyük olduğunda (örneğin, birçok öngörücü ile değişken seçimi) zorlanır. Stokastik arama değişken seçimi (SSVS) veya sürekli iğne-ve-tabaka önsel olasılıkları, yüksek boyutlu model uzayları için daha pratik alternatifler olabilir.
Sonsal model olasılıkları model önseline duyarlı mıdır?
Evet, önemli ölçüde. Sonsal model olasılıkları her zaman her modelin önsel olasılığı ile marjinal olabilirliklerinin çarpımıyla orantılıdır. Az veri veya benzer uyuma sahip modellerle, önsel baskın olur. Her zaman en az iki farklı model önseli altında sonuçları raporlayın ve duyarlılığı tartışın.
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 ↗
- Green, P. J. (1995). Reversible jump Markov chain Monte Carlo computation and Bayesian model determination. Biometrika, 82(4), 711-732. DOI: 10.1093/biomet/82.4.711 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Metropolis-Hastings Algorithm for Bayesian Model Comparison. ScholarGate. https://scholargate.app/tr/bayesian/metropolis-hastings-for-model-comparison
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Model Karşılaştırması için Gibbs ÖrneklemesiBayesçi↔ karşılaştır
- Model Karşılaştırması için MCMCBayesçi↔ karşılaştır
- Sıralı Monte CarloBayesçi↔ karşılaştır