Scalable importance tempering and Bayesian variable selection

We propose a Monte Carlo algorithm to sample from high dimensional probability distributions that combines Markov chain Monte Carlo and importance sampling. We provide a careful theoretical analysis, including guarantees on robustness to high dimensionality, explicit comparison with standard Markov...

Celý popis

Uloženo v:

Podrobná bibliografie
Vydáno v:	Journal of the Royal Statistical Society. Series B, Statistical methodology Ročník 81; číslo 3; s. 489 - 517
Hlavní autoři:	Zanella, Giacomo, Roberts, Gareth
Médium:	Journal Article
Jazyk:	angličtina
Vydáno:	Oxford Wiley 01.07.2019 Oxford University Press
Témata:	Algorithms Bayesian analysis Bayesian theory Bayesian variable selection; Computational complexity; Gibbs sampling; Importance sampling; Markov chain Monte Carlo sampling; Point mass priors concrete equations Importance sampling Intuition Markov analysis Markov chain Markov chains Monte Carlo method Monte Carlo simulation probability distribution Regression analysis Robustness Sampling Statistical methods Statistics tempering
ISSN:	1369-7412, 1467-9868
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!

Buďte první, kdo okomentuje tento záznam!