丰富狄利克雷过程混合模型的截断近似方法
摘要：富集的狄利克雷过程混合(EDPM)模型用于非参回归和条件密度估计，并克服了将响应和预测变量共同建模为狄利克雷过程混合(DPM)模型的一个主要缺点：当有大量预测变量时，DPM引发的聚类会被预测变量而不是响应变量所主导。对DPM的截断近似使得可以使用阻塞吉布斯采样算法而不是普利亚瓦采样算法。阻塞吉布斯采样器提供了改进混合程度的潜力。截断近似还允许在标准软件(rjags和rstan)中实施。在本文中，我们引入了一个类似的截断近似方法用于EDPM。我们证明，在EDP先验的近似中，使用足够大的截断值可以获得对EDP的精确近似。通过模拟实例，我们验证了截断近似和最小截断值下的阻塞吉布斯采样器能够达到适当的误差界限，并且其准确性与使用大的截断值的截断近似和阻塞吉布斯采样器相似。此外，我们利用模拟实例证明，阻塞吉布斯采样器相比于普利亚瓦采样器在混合程度上有所改进，特别是在协变量数量增加时。
作者：Natalie Burns and Michael J. Daniels
论文ID：2305.01631
分类：Computation
分类简称：stat.CO
提交时间：2023-05-03