Çok Düzeyli Metropolis-Hastings
Multilevel Metropolis-Hastings Algorithm · Ayrıca şöyle bilinir: hierarchical Metropolis-Hastings, multilevel MH, MH for hierarchical models, blocked Metropolis-Hastings
Çok Düzeyli Metropolis-Hastings, Metropolis-Hastings MCMC algoritmasını hiyerarşik (çok düzeyli) Bayesçi modellere uygular, grup düzeyindeki parametreler ve üstparametreler üzerinden ortak örnekleme yaparak, modelin tüm düzeylerindeki tam ortak sonsal dağılımı gözeten bir oranla aday değerler önerip kabul veya reddeder.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Verileriniz gruplandırılmış veya iç içe geçmişse (okullar içindeki öğrenciler, klinikler içindeki hastalar) ve standart olmayan bir sonsal dağılıma sahip hiyerarşik bir Bayesçi model uyarlıyorsanız ve Gibbs örneklemesi analitik olarak başa çıkamıyorsa çok düzeyli Metropolis-Hastings kullanın. Herhangi bir türevlenebilir veya türevlenemez hedef için yeterince esnektir. Sürekli yüksek boyutlu sonsal dağılımlar için MH yerine Hamilton Monte Carlo'yu (örneğin, NUTS) tercih edin, çünkü HMC çok daha verimli karışır. MH, parametreler ayrık olduğunda, olasılık fonksiyonu türevlenemez olduğunda veya sonsal dağılım düşük boyutlu olduğunda en kullanışlıdır. Yüksek boyutlu çok düzeyli modellerde düz rastgele yürüyüş MH'den kaçının — kötü ölçeklenir ve düzeyler arasında ciddi korelasyon sergiler.
Güçlü yönler & sınırlılıklar
- Türevlenemez ve ayrık parametre uzayları dahil olmak üzere herhangi bir sonsal dağılıma uygulanabilir.
- Kavramsal olarak şeffaf: kabul adımı doğrulaması ve hata ayıklaması kolaydır.
- Esnek öneri tasarımı, grup yapısını gözeten ilişkili öneriler gibi probleme özgü ayarlamaya olanak tanır.
- Bloklama stratejileri, ilişkili 1. düzey ve 2. düzey parametrelere sahip modellerde karışımı önemli ölçüde iyileştirebilir.
- Daha büyük örnekleyiciler içinde (örneğin, hibrit MCMC, bileşen bazında Gibbs içinde) bir yapı taşı olarak çalışır.
- Rastgele yürüyüş önerileri yüksek boyutlara kötü ölçeklenir, bu da çok düşük kabul oranlarına ve yavaş karışmaya yol açar.
- Öneri kovaryansının dikkatli manuel ayarlanmasını gerektirir; adaptif MH bunu hafifletir ancak karmaşıklık ekler.
- Yüksek oranda ilişkili grup düzeyindeki ve üstparametre sonsal dağılımları, yeniden parametrelendirilmedikçe zincirin sonsal dağılımı yavaş keşfetmesine neden olur.
- Orta ila yüksek boyutlu sürekli çok düzeyli modeller için Hamilton Monte Carlo'dan çok daha az verimlidir.
- Yakınsama teşhisleri gereklidir ancak yetersizdir — kısa çalıştırmalarla kötü karışım tespit edilmeyebilir.
SSS
Çok Düzeyli MH, standart MH'den nasıl farklıdır?
Standart MH tek düzeyli bir sonsal dağılımı hedefler. Çok Düzeyli MH, birden çok hiyerarşik düzeyde (örneğin, bireysel, grup, popülasyon) parametrelere sahip bir ortak sonsal dağılımda gezinmelidir, bu da bloklanmış güncelleme stratejileri ve hiyerarşinin neden olduğu korelasyon yapısını gözeten dikkatli öneri tasarımı gerektirir.
Çok düzeyli modeller için ne zaman Hamilton Monte Carlo'yu MH'ye tercih etmeliyim?
Model parametreleri sürekli olduğunda ve log-sonsal dağılımın gradyanları mevcut olduğunda HMC'yi (örneğin, Stan'daki NUTS) tercih edin. HMC, büyük, bilgilendirilmiş adımlar atmak için gradyan bilgisini kullanır ve çok düzeyli modellerin tipik korelasyonlu, yüksek boyutlu sonsal dağılımları için çok daha verimlidir. Ayrık parametreler veya türevlenemez olasılık fonksiyonları için MH'yi saklayın.
Merkezlenmiş ve merkezlenmemiş parametrelendirme nedir ve neden önemlidir?
Merkezlenmiş parametrelendirmede, grup etkileri θ_j doğrudan modellenir; merkezlenmemiş formda, θ_j = μ + σ·z_j ve z_j ~ N(0,1) olur. Grup düzeyindeki veriler seyrek olduğunda, merkezlenmemiş form grup etkilerini üstparametrelerden ayırır, sonsal korelasyonu önemli ölçüde azaltır ve kullanılan örnekleyiciden bağımsız olarak MCMC karışımını iyileştirir.
Öneri dağılımını nasıl seçerim?
Kovaryansı sonsal kovaryansı (örneğin, bir pilot çalıştırmadan veya Laplace yaklaşımından) yaklaşık olarak veren çok değişkenli bir Gauss önerisiyle başlayın. Yüksek boyutlu bloklar için yaklaşık %23 veya skaler güncellemeler için %44 kabul oranını hedefleyin. Adaptif MH, ısınma sırasında öneriyi otomatik olarak ayarlar.
Örnekleme sonrası hangi teşhisleri çalıştırmalıyım?
Tüm parametreler için R-hat'ı hesaplayın (1.01'in altındaki değerler yakınsamayı gösterir), etkili örneklem boyutunu kontrol edin (ısınma sonrası her parametre için en az 400 çizim), durağanlık ve iyi karışım için iz grafiklerini inceleyin ve gözlemlenen örneğe benzeyen veriler ürettiğini doğrulamak için sonsal üretici kontrolleri çalıştırın.
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
- Roberts, G. O. & Sahu, S. K. (1997). Updating schemes, correlation structure, blocking and parameterisation for the Gibbs sampler. Journal of the Royal Statistical Society: Series B, 59(2), 291-317. DOI: 10.1111/1467-9868.00070 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Multilevel Metropolis-Hastings Algorithm. ScholarGate. https://scholargate.app/tr/bayesian/multilevel-metropolis-hastings
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Hiyerarşik Bayesci ÇıkarımBayesçi↔ karşılaştır
- Metropolis-Hastings AlgoritmasıBayesçi↔ karşılaştır
- Çok Düzeyli Bayesci ÇıkarımBayesçi↔ karşılaştır
- Çok Düzeyli Gibbs ÖrneklemesiBayesçi↔ karşılaştır
- Çok Katmanlı Hamilton Monte CarloBayesçi↔ karşılaştır
- Çok Katmanlı Varyasyonel ÇıkarımBayesçi↔ karşılaştır