非线性状态空间模型的MCMC算法：使用潜在序列集合
摘要：非线性状态空间模型是用于生物、经济和物理过程的广泛使用的模型类别。将这些模型拟合到观测数据是一个没有直接解决方案的困难推断问题。我们采用贝叶斯方法推断非线性状态模型的未知参数；这又需要有效的马尔可夫链蒙特卡罗（MCMC）采样方法来采样潜在（隐藏）变量和模型参数。利用Neal（2010）的合集技术和Neal（2003）的嵌入式HMM技术，我们介绍了一种新的非线性状态空间模型的马尔可夫链蒙特卡罗方法。关键思想是在巨大数量的潜在序列集合上进行参数更新，而不是像现有方法那样只在一个序列上进行。我们研究了在Ricker人口动态模型中进行贝叶斯推断时这种合集方法的性能。我们表明，对于这个问题，合集方法比简单的Metropolis方法更加高效，而且比单一序列嵌入式HMM方法效率提高了1.9到12.0倍，在适当调节所有方法的情况下。我们还介绍了一种加速合集方法的方法，通过进行部分向后传递以低计算成本舍弃较差的提议，最终效率提升了3.4到20.4倍，超过了单一序列方法。
作者：Alexander Y. Shestopaloff and Radford M. Neal
论文ID：1305.0320
分类：Computation
分类简称：stat.CO
提交时间：2013-05-03