一个两阶段自适应Metropolis算法
摘要：结合自适应Metropolis采样器和两阶段Metropolis-Hastings采样器的两个强大思想，我们提出了一种新的采样算法。该采样方法在贝叶斯模型中高维后验采样和具有昂贵似然函数时尤为有用。在所提出的算法的第一阶段，基于先前采样的状态使用自适应提议，并基于近似的廉价目标密度计算相应的接受概率。只有在第一阶段接受了提议时，才在计算第二阶段接受概率时评估真实的昂贵目标密度。算法的自适应特性确保了链的更快收敛和非常好的混合性质。另一方面，两阶段的方法有助于拒绝不良的廉价第一阶段提议，使算法具有高效计算性能。由于提议依赖于先前的状态，链失去了马尔可夫特性，但我们证明它仍然保留了所需的遗迹特性。我们在两个模拟数据和两个真实数据示例中将所提出的算法与现有算法进行了比较。
作者：Anirban Mondal, Kai Yin, Abhijit Mandal
论文ID：2101.00118
分类：Computation
分类简称：stat.CO
提交时间：2021-01-05