随机接受概率的耦合MCMC
摘要：在Metropolis Hastings MCMC中，我们考虑将目标分布的比率的对数替换为估计值的情况。该估计值基于独立在线Monte Carlo模拟中的m个样本。在估计值的分布满足一定条件下，该过程类似于具有随机转移核的Metropolis Hastings MCMC。在这种情况下，存在对估计的接受概率的修正，以确保目标分布保持平衡分布。Ceperley和Dewing（1999）的Penalty Method，Ball等人的Universal Algorithm（2003）和Murray等人的Single Variable Exchange算法（2006）都是特殊情况。在许多实际应用中，无法计算出修正项。我们考虑算法的近似版本。我们证明，模拟实现的平均在长度为n的随机链上，与连接（精确）随机链的O(m)个样本完全相同。近似偏差以O(1/m)或更小的项来影响Monte Carlo估计。这应与Monte Carlo误差相比较，后者为O(1/sqrt(n))。
作者：Geoff K. Nicholls, Colin Fox and Alexis Muir Watt
论文ID：1205.6857
分类：Computation
分类简称：stat.CO
提交时间：2012-06-01