高效解决贝叶斯矩阵抽样中的旋转歧义与匹配
摘要：无标识参数的非标识假设的后处理算法：一种贝叶斯模型中常见的涉及旋转歧义的随机矩阵的宽阶类模型是高斯因子模型。已经提出了丰富多样的马尔科夫链蒙特卡罗（MCMC）算法用于对这些模型的参数进行抽样。然而，如果没有可识别性约束，可靠的参数后验摘要不能直接从MCMC输出中获得。作为一种替代方法，我们提出了一种计算效率高的后处理算法，可以对不可识别参数进行推断。我们首先使用Varimax对后验样本进行正交处理，然后使用贪婪匹配算法解决标签和符号切换问题。通过模拟研究和化学暴露数据比较了与其他方法的性能和计算复杂度。该算法的实现在CRAN上的infinitefactor R包中可获得。
作者：Evan Poworoznek, Federico Ferrari and David Dunson
论文ID：2107.13783
分类：Computation
分类简称：stat.CO
提交时间：2021-07-30