Tôi đang đọc một bài báo hội nghị năm 1991 của Geyer được liên kết dưới đây. Trong đó, anh ta dường như trốn tránh một phương pháp có thể sử dụng MCMC cho ước tính tham số MLE
Điều này làm tôi phấn khích vì tôi đã mã hóa các thuật toán BFGS, GA và tất cả các loại phương pháp nhúng may mắn lượn sóng tay khủng khiếp này để tìm cực tiểu toàn cầu cần thiết để trích xuất ước lượng các tham số từ MLE.
Lý do nó làm tôi phấn khích là vì nếu chúng tôi có thể đảm bảo sự hội tụ của MCMC đến một điểm cố định (ví dụ: một tiêu chí đủ sẽ thỏa mãn số dư chi tiết ) thì chúng tôi có thể có được các tham số mà không giảm thiểu MLE.
Do đó, kết luận là điều này cung cấp một phương pháp chung để đạt được cực tiểu toàn cầu, các ràng buộc modulo được áp đặt ở trên và trong bài báo. Có một số thuật toán cho MCMC, ví dụ như HMC được ánh xạ tốt cho các vấn đề MCMC chiều cao và tôi cho rằng chúng sẽ vượt trội hơn các phương pháp giảm độ dốc truyền thống.
Câu hỏi
Tôi có đúng không khi bài báo này cung cấp cơ sở lý thuyết cho việc sử dụng MCMC để có được ước tính tham số từ MLE?
Người ta có thể sử dụng thuật toán MCMC trong một số trường hợp nhất định, như được nêu trong bài báo, để trích xuất các tham số từ MLE bỏ qua nhu cầu cho các phương thức như Thuật toán di truyền và BFGS, v.v.
Giấy
Geyer, CJ (1991). Markov chuỗi khả năng tối đa Monte Carlo . Khoa học máy tính và thống kê: Proc. Triệu chứng thứ 23. Giao diện, 156 ĐÁ163.
trừu tượng
Chuỗi Markov Monte Carlo (ví dụ: thuật toán Metropolis và bộ lấy mẫu Gibbs) là một công cụ chung để mô phỏng các quá trình ngẫu nhiên phức tạp hữu ích trong nhiều loại suy luận thống kê. Các khái niệm cơ bản của chuỗi Markov Monte Carlo được xem xét, bao gồm cả các thuật toán và ước lượng phương sai, và một số phương pháp mới được giới thiệu. Việc sử dụng chuỗi Markov Monte Carlo để ước tính khả năng tối đa được giải thích và hiệu suất của nó được so sánh với ước tính khả năng giả tối đa.
Lưu ý: Phần 1-6 rất nhàm chán và bạn có thể biết chúng nếu bạn đã đạt được điều này. Trong Phần 7, anh ta thấy thú vị nhưng về những gì anh ta nói về việc Monte Monte Tối đa khả năng
Nhiêu tai nguyên hơn
kiểm soát + f cho ăn Geyer
R
góiglmm
ở đây sử dụng Monte Carlo để ước tính khả năng trong GLMM. Gói được viết bởi sinh viên của Geyer. Ngoài ra, gói 'R' 'mcemGLM' ở đây ước tính MLE cho GLMM sử dụng Monte Carlo EM. Gói được viết bởi một sinh viên trong cùng bộ phận với Geyer.